音频指纹

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

针对合成语音来源验证被说话人特征干扰的问题，论文提出在双分支框架上加说话人解耦的切比雪夫损失与双曲黎曼损失，在 MLAAD 四种说话人-来源组合协议上以 ResNet34 加 RiemannSD-AAM 取得平均 EER 最低，但未见训练仍依赖伪说话人标签与固定超参数。

论文用目标模型样本的平均残差做指纹并以马氏距离做归因与检测，在多语种多架构上报告近乎完美的单模型归因与可比深度基线的闭世界分类，代价是对抗自适应攻击与强混响压缩仍需重估计指纹。

论文用只在音乐上训练的神经音频指纹处理语音标注难题，一是去重将 50000 条语音留言减至 25017 条，二是用最远点采样在嵌入空间取多样子集，线性探测显示指纹在说话人上 F1 达 96.36%，代价是口音准确率不及 WavLM 且阈值与采样细节未完全公开。

针对零样本语音合成模型被微调、剪枝、量化与蒸馏后仍可经黑盒接口验明归属的问题，TTS-Guard 以双空间关键说话人对选择加课程化影子模型优化构造参考音频扰动，并在五个主流系统上报告平均单查询指纹成功率 96.4%、误报率 5.8%，代价是验证需 20 到 40 次查询且蒸馏与强自适应擦除仍会明显拉低成功率。

针对全局音高和速度不变的失真查询，POLARIS 用局部归一化显著性选地标、用 Delaunay 三角形组指纹、只在查询侧加两跳邻域指纹，在自建手机重录集上报告了可复述的流程与查询代价变化。

该文把攻击溯源做成验证问题，用自监督前端加角度间隔与混合正则训练与训练集完全隔离的嵌入器，在分布内用少样本后端取胜而在分布外用零样本余弦取胜，但两类等错率仍在 13% 至 30% 量级。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该研究用双轨应答蜜罐加音频指纹与商用合成语音检测器测量骚扰来电开场，报告机器发声至少占 26.9%，其中约一半是跨通话重放的录音，但合成标签只有约 54.4% 经盲听确认且阈值与播种历史显著影响读数。

论文将水下舰船识别形式化为开放集跨航次重识别，用航次级音频裁决去重与源纯画廊堵住录音复用捷径，提出原始波形 4 尺度选择性核编码器 SKANN 并在 40 船 IARA 画廊上显示 rank-1 仅 0.25 且去重本身就抹掉 16 至 21 个点的虚高。

音频分类 | 7.4/10