The Content Leash: Mitigating Degenerate Solutions in Invertible Speaker Anonymization
Voice anonymization aims to protect a speaker's identity while preserving the linguistic content of speech, enabling voi
#cs.SD
共收录 48 条相关情报。
← 返回所有主题From Speech Tokens to Stolen Voices: Attacker-Chosen-Text Speaker Impersonation via Representation Inversion
Speech interaction systems have gradually evolved from traditional cascaded systems that use text as intermediate inform
You Are the Trigger: Speaker-Activated Backdoors
Speech models are increasingly used as an interface to AI systems, from transcription tools to voice agents. Existing au
An Initial Study of Physiological Markers for Deepfake Speech Detection
Conventional deepfake speech detectors primarily target synthesis artifacts and often degrade under unseen attacks or re
Unsupervised Data Drift Monitoring for Deployed Deepfake Speech Detectors
Deepfake speech detectors are typically evaluated as binary classifiers on fixed benchmarks, but deployed systems face e
Detection-Guided Adaptive Purification with Diffusion Models for Robust Audio Deepfake Detection
Audio deepfake detectors remain vulnerable to adversarial perturbations that suppress the acoustic cues used for detecti
Learning to Watermark Speech Synthesis Against Model-Driven Reconstruction
Modern TTS systems increasingly generate synthetic speech at scale for diverse users. This setting calls for content-lev
Tokens Change, Structure Endures: Spectral Watermarking for Generated Speech
该论文关注 AI 生成语音的溯源问题，即如何可靠地标识一段语音是由哪个模型生成的。现有神经音频水印方案大多依赖单独训练的水印生成器，而 token 级水印是一种免训练（training-free）的替代路线，可在生成过程中直接对离散 tok
AEGIS: Audio Endogenous Guarding via Internal Signals Against Large Audio-Language Model Jailbreaks
该论文研究大型音频-语言模型（LALM）面临的异构音频越狱问题。LALM 将语言模型能力扩展到音频理解，攻击者可通过语音、环境音、音乐等音频载体构造越狱输入。作者提出的核心研究问题是：越狱成功究竟是因为模型未能识别有害意图，还是发生在识别之
The Vulnerability of Neural Audio Watermarks under Speech Enhancement
该论文研究神经音频水印（neural audio watermark）在语音增强（Speech Enhancement, SE）模型面前的鲁棒性问题。研究背景是：随着商业语音生成系统大量部署神经水印以实现 AI 生成语音的可溯源，业界对其鲁
Domain-Incremental Learning for Multi-Channel Replay Speech Detection
复放攻击是语音控制系统面临门槛最低的威胁之一，而暴露复放行为的声学线索会随攻击所处的声学环境发生强烈变化。这意味着部署在现场的检测器必须随着时间持续吸收新的声学条件，同时理想情况下不能反复回看历史录音，因为长期保留语音数据既昂贵又受法律合规
The Machines Are Calling: Measuring Automated and Synthetic Voices in Unwanted Inbound Calls
该论文关注一个长期缺乏可靠测量的灰区问题：不受欢迎的来电中，究竟有多少是机器拨打的，又有多少机器语音是合成生成而非播放录音。背景是 2024 年 2 月美国联邦通信委员会（FCC）将 AI 生成语音纳入《电话消费者保护法》（TCPA）的监管
Audio Deepfake Detection Using Temporal Coherence Analysis
该论文研究的是 AI 生成音频（俗称音频 deepfake）的检测问题。研究背景是：随着语音合成与音乐生成模型能力快速提升，合成音频大量出现，带来语音克隆诈骗、信息完整性受损、合成音乐版权归属争议等现实风险，因此需要可靠、可部署的真实性判别
DuplexJail: Safety Alignment Breaks Under Spoken Interruption in Full-Duplex Models
该论文关注全双工语音模型（full-duplex speech models）带来的一个被忽视的攻击面：这类模型在生成回复的同时仍持续接收用户语音输入，因此攻击者可以在模型「说话」期间通过用户音频通道插入额外的语音内容，从而与当前对话轮次解
CRAW: Codec Robust Audio Watermarking
该论文提出了一种针对生成式语音模型的鲁棒音频水印框架 CRAW（Codec Robust Audio Watermarking）。研究背景是：近年来生成式语音模型（如语音克隆、语音合成）的进步使得真实与合成语音难以区分，增加了欺诈和虚假信息
Removing Speech, Keeping Activities: A Privacy Firewall for Acoustic Sensing in Assisted Living
针对辅助生活场景中老年人日常活动监测的声学传感技术,语音隐私泄露是阻碍其实际部署的关键壁垒。本文提出了一种基于U-Net编码器-解码器结构的隐私防火墙管道,完全使用合成数据训练,能够从环境音频中移除语音成分,同时保留与日常活动相关的环境声音
Hearing the Whispers: Black-Box Membership Inference Attacks on Finetuned TTS Models
文本转语音（TTS）基础模型正越来越多地被用于在私有数据集上微调以合成高度个性化的声音，但这同时引入了严重的隐私风险，因为语音既包含生物特征身份又包含敏感语音内容。现有的黑盒成员推理攻击（MIA）通常采用查询生成和表示工程两阶段流程，但直接
Ouroboros: Self-Referential Backdoor Attacks on Speech Enhancement via Clean Audio Triggers
本文提出了一种名为 Ouroboros 的新型后门攻击框架，专门针对语音增强（Speech Enhancement）模型。语音增强模型通常作为实时语音服务的前端模块，用于降噪和语音质量提升，但以往的后门攻击研究主要集中于分类任务，且依赖主动
Tracking the Trend in How Speech Synthesizers Deceive People
语音合成技术的快速发展使深度伪造音频达到高度逼真的水平，对语音身份验证和数字取证构成日益严峻的威胁。早期研究曾报道人类对深度伪造语音的检测准确率可达70%-80%，但这些研究主要基于较老的合成器，难以反映当前生成语音的真实攻击能力。本研究针
The Last Mile of Deepfake Speech Detection: An Industry-Academia Experience Report
该论文是一篇来自工业界与学术界合作的经验报告，基于与商业说话人识别厂商 Phonexia 为期三年的合作，深入探讨了深度伪造语音检测（deepfake speech detection）从研究走向实际部署时面临的“最后一公里”障碍。尽管当前