TRACE: Навчання не потрібне — часткове виявлення аудіо-фейків за допомогою аналізу траєкторії вбудувань мовнихFoundation моделей
https://ift.tt/veZaS5f
Часткові аудіо-фейкові записи, де синтезовані фрагменти вставляються у справжні записи, є особливо переконливими, оскільки більшість аудіо залишаються автентичними. Існуючі детектори є навчальними: вони вимагають анотацій на рівні кадрів, переобкочуються під конкретні пайплайни синтезу та повинні перенавчатися з появою нових генеративних моделей. Ми стверджуємо, що цей контроль є зайвим. Ми висуваємо гіпотезу, що мовні foundation-моделі неявно кодують форензичний сигнал: автентична мова формує плавні, повільно змінювані траєкторії вбудувань, тоді як межі вставки вводять різкі порушення у переходах на рівні кадрів. На основі цього ми пропонуємо TRACE (Training-free Representation-based Audio Countermeasure via Embedding dynamics), архітектурно не навчену рамку, яка виявляє часткові аудіо-фейки шляхом аналізу першорядної динаміки представлень заморожених мовних foundation-моделей без будь-якого навчання, позначених даних або модифікації архітектури. Ми оцінюємо TRACE на чотирьох бенчмарках, що охоплюють дві мови, використовуючи шість мовних foundation-моделей. У PartialSpoof TRACE досягає 8.08% EER, конкурентоспроможний з базовими навчальними надмірно контрольованими базовими моделями. У LlamaPartialSpoof, найскладнішому бенчмарку з використанням комерційного синтезу під керуванням LLM, TRACE перевищує навчальну базову лінію безпосередньо (24.12% проти 24.49% EER) без даних з цільової домени. Ці результати демонструють, що часові динаміки в мовних foundation-моделях забезпечують ефективний, узагальнюючий сигнал для навчання у безнавчанні аудіо-форензики.
HI-FI News
через Штучний Інтелект https://ift.tt/pFBa5Th
2 квітня 2026 р. о 05:11 заранку
April 2, 2026 at 05:11AM
Залишити відповідь