论文解读

用物理运动与气流痕迹判断语音是真人还是喇叭回放

针对多通道语音回放检测问题,该文用到达时间差运动轨迹、双通道强度相位动态和低频气流能量等可解释物理描述子结合 XGBoost 分类,在 ReMASC 上 D3 六通道取得 17.8% 等错误率的同时把内存控制在 0.6 MB 量级。

 · 更新于 2026-11-18 · 约 16 分钟 · 7901 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-17

共分析 50 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 103 分钟 · 51240 字 阅读 →
论文解读

冲突感知的元学习如何改善语音伪造检测的跨域泛化

论文针对元学习域泛化中有效域偏移模拟常伴随梯度冲突、且小批量梯度抖动导致冲突判断不稳的问题,提出不对称投影与指数滑动平均锚点及逐参数张量干预的冲突感知元学习框架,在多组跨数据集评测上降低等错误率,但结论只在原文的训练域划分、增强与早停条件下成立。

 · 更新于 2026-11-18 · 约 19 分钟 · 9288 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-09

共分析 66 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 139 分钟 · 69235 字 阅读 →
论文解读

把检测器放进声码器训练:内生对抗语音合成解读

该文把语音伪造检测器作为可微反馈冻结后接入声码器微调,用合成保真损失加权检测损失直接生成易被判为真人的语音,并在白盒、黑盒和主客观质量上验证了效果与代价。

 · 更新于 2026-11-18 · 约 20 分钟 · 9579 字 阅读 →
论文解读

把爆破音处的气流声做进合成语音:一次针对活体检测的数据投毒

论文针对依赖爆破音气流声的 VoicePop 活体检测,用 FastSpeech 2 加改过的 HiFi-GAN 在音素对齐位置注入局部低频突发并叠加噪声,在 20% 投毒和均衡训练条件下把准确率从 37.52% 拉低到 25.66%,代价是投毒强度弱于整段正弦波的 SyntheticPop,且双谱统计上更不像真人。

 · 更新于 2026-11-18 · 约 16 分钟 · 7788 字 阅读 →
论文解读

回放合成语音为什么难检:ReplayFactor 的双属性检测解读

针对合成语音经扬声器播放再被麦克风录制后伪造痕迹被掩盖的问题,ReplayFactor 用自监督表示加声学先验融合与双属性多任务对比学习来分离来源与回放线索,在 EchoFake 开放集上把宏观 F1 从 60.99% 提高到 76.44%、等错误率从 11.86% 降到 3.05%,代价是需要四类标注和更大的联合训练开销。

 · 更新于 2026-11-18 · 约 17 分钟 · 8055 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-11-03

共分析 48 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 96 分钟 · 47776 字 阅读 →
论文解读

带标签的语音识别:一次转写并标出被伪造的词

论文把部分伪造检测做成带伪造标记的语音识别,用受保护子空间融合补充伪造线索并用参照锚定的策略优化同时改进转写和词级定位,在五个数据集的平均词错误率和词级 F1 上优于所比较的基线,但域外词级定位仍有明显下降且多任务设置并非处处有益。

 · 更新于 2026-11-18 · 约 19 分钟 · 9497 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-10-27

共分析 80 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 159 分钟 · 79633 字 阅读 →
论文解读

WavLM 哪一层最懂伪造痕迹:伪造语音检测的逐层解读

论文用 ASVspoof 5 研究冻结 WavLM Base 各层区分真假语音的能力,发现中深层最具判别力、5 层组合优于 13 层全用,而深层更敏感于抖动等嗓音质量线索,但对抗攻击在所有层都难以检测。

 · 更新于 2026-11-18 · 约 19 分钟 · 9104 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-10-19

共分析 25 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 53 分钟 · 26151 字 阅读 →
论文解读

量子瓶颈如何改变语音防伪造的分数可靠性

论文把压缩语音表示送入 8 比特变分量子电路做瓶颈变换,在匹配经典对照下主要改善固定阈值下的部署代价与校准,最强域外证据是 AASIST 上 EER 相对降低 28% 而真机验证只证明可行且代价不稳定。

 · 更新于 2026-11-18 · 约 20 分钟 · 9744 字 阅读 →
每日研究速递

语音/音乐/音频论文速递 2026-10-15

共分析 146 篇语音/AI 论文

 · 更新于 2026-11-18 · 约 299 分钟 · 149424 字 阅读 →
论文解读

一个冻结编码器如何同时做说话人确认与伪造检测

论文用冻结的 W2V-BERT 2.0 加两套混合小波提示分别适配说话人验证与伪造检测分支,仅训练约 7M 参数就在 SpoofCeleb 评测上得到 0.03% 伪造检测等错率与 0.038 最小 a-DCF,代价是推理时要做两次提示条件前向。

 · 更新于 2026-11-18 · 约 20 分钟 · 9761 字 阅读 →
论文解读

看起来更不变,其实只是变小了:语音防伪中辅助目标的坍缩诊断

论文在同一协议下比较交叉熵与七种辅助目标,用位移除以 spread 的尺度感知诊断显示余弦一致性的位移下降来自空间缩小而非更稳定,且四个坍缩到近常数输出的运行被等错误率和 t-SNE 掩盖,没有辅助目标在种子、架构和语料上都优于交叉熵。

 · 更新于 2026-11-18 · 约 18 分钟 · 8649 字 阅读 →
论文解读

不传原始语音也能学到新伪造:用条件流匹配在客户端之间搬运分布

针对伪造语音类型持续新增且原始语音不能集中共享的问题,FedCFM 让每个客户端在嵌入层训练条件流匹配生成器并交换生成器,再用生成回放加知识蒸馏更新分类器,在相同训练数据组合下报告了低于所比较集中式与联邦基线的等错误率,但生成器交换轮带来约 164.1 MB 的单客户端通信开销。

 · 更新于 2026-11-18 · 约 27 分钟 · 13270 字 阅读 →
论文解读

全局语义盖住局部伪造痕迹时,GLAD 如何逐样本重选层与粒度

针对自监督检测器偏向全局语义与跨域层重要性漂移问题,GLAD 用语言声学交叉注意加信号卷积的多粒度融合与样本级门控组织证据,在只训练 19LA 条件下报告 21DF 等域上更低的等错误率,但以双自监督加卷积分支的更大推理开销为代价。

 · 更新于 2026-11-18 · 约 18 分钟 · 8803 字 阅读 →
会议总览

interspeech-2026 论文深度解读

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

 · 更新于 2026-11-18 · 约 2613 分钟 · 1309023 字 阅读 →
论文解读

先算峰在哪里再验证:解码器痕迹支撑的廉价合成语音初筛

针对大参数检测器逐条调用成本过高的问题,该文用转置卷积与逆短时傅里叶变换推导的可预测谱峰加线性频率倒谱时变特征训练 151 KiB 梯度提升树,在同源测试报告等错误率 0.021%,并在 0.050% 漏检约束下估计节能 84.4%,但留一生成器误差分布不均显示跨生成器迁移仍是主要限制。

 · 更新于 2026-11-18 · 约 16 分钟 · 7867 字 阅读 →