Towards Neural Audio Codec Source Parsing
针对音频深度伪造开集归因无法刻画未知编解码器的缺陷，提出将源归因重构为NAC参数结构化回归的NACSP范式，及基于双曲几何的HYDRA框架，构建首个综合基准并取得最优结果。
2025-06-14 cs.SD eess.AS
Forensic Similarity for Speech Deepfakes
Politecnico di Milano（米兰理工学院）
本研究提出语音深度伪造取证相似度方法，构建含特征提取器与相似度网络的深度学习系统，可判断音频取证痕迹是否同源，对未知痕迹泛化性强，适用于源验证与拼接检测。
2025-10-03 cs.SD
SafeEar: Content Privacy-Preserving Audio Deepfake Detection
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
针对现有音频深度伪造检测需访问完整音频内容易泄露隐私的问题，提出SafeEar框架，通过解耦音频语义与声学信息仅用声学特征检测，结合编解码器增强，在低EER下实现多语言内容隐私保护。
2024-09-14 cs.AI cs.CR cs.MM
Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification
University of Texas at Dallas（德克萨斯大学达拉斯分校）
由于参考和自然现场录音之间的位置/场景不确定性和多样性不匹配，用于说话人验证的法医音频分析提供了独特的挑战。缺乏真正的自然主义的法医音频语料库与地面真理的发言人身份是一个重大的挑战，在这一领域。由于域失配和性能损失，也难以直接采用小规模的特定于域的数据来训练复杂的神经网络架构。另外，多声学环境下的跨域说话人验证是一项具有挑战性的任务，可以推进音频取证的研究。在这项研究中，我们介绍了在多个声学环境中收集的CRSS-Forensics音频数据集。我们使用VoxCeleb数据预训练基于CNN的网络，然后使用来自CRSS-Forensics的干净语音微调部分高级网络层的方法。基于这个微调模型，我们对齐嵌入空间中的域特定分布与差异损失和最大平均差异（MMD）。这保持了在干净集上的有效性能，同时将模型推广到其他声学域。从结果中，我们表明，不同的声学环境影响说话人确认的性能，我们提出的跨域自适应方法可以显着提高在这种情况下的结果。
2020-09-09 cs.LG cs.SD eess.AS
The Alignment Curse: Modality Alignment Supercharges Audio Attacks via Text Transfer
University of Oxford（牛津大学）
本文提出并验证了“对齐诅咒”原理，即更强的文本-音频模态对齐会促进文本攻击向音频的迁移，并通过黑盒实验表明文本转移的音频攻击性能与原生音频攻击相当甚至更优，揭示了能力与安全之间的根本矛盾。
2026-05-29 cs.AI cs.LG cs.SD
Forensic deepfake audio detection using segmental speech features
University at Buffalo（布法罗大学）；Australian National University（澳大利亚国立大学）
本文提出了一种基于分段语音特征的深度伪造音频检测方法，通过对比传统FVC技术，强调了说话人特定框架在刑事场景中的有效性。
2025-12-10 cs.AI cs.CL cs.SD
Sound of Guns: Digital Forensics of Gun Audio Samples meets Artificial Intelligence
Hamad Bin Khalifa University（哈马德·本·哈利法大学）
根据武器的枪口冲击波对武器进行分类是一项具有挑战性的任务，在各种安全和军事领域都有重要的应用。大多数现有的工作依赖于空间上不同的麦克风传感器的ad-hoc部署，以捕获同一枪声的多个副本，这使得能够准确地检测和识别声源。然而，在诸如犯罪现场取证的场景中难以获得仔细控制的设置，使得上述技术不适用且不切实际。我们介绍了一种新的技术，需要零知识的录音设置，是完全不可知的麦克风和射手的相对位置。我们的解决方案可以识别枪支的类别，口径和型号，在从YouTube视频中提取的3655个样本组成的数据集上达到90%以上的准确率。我们的研究结果表明，应用卷积神经网络（CNN）在枪击分类的有效性和效率，消除了需要一个特设的设置，同时显着提高分类性能。
2021-03-01 cs.LG cs.SD eess.AS
Impact of Naturalistic Field Acoustic Environments on Forensic Text-independent Speaker Verification System
Center for Robust Speech Systems (CRSS), University of Texas at Dallas（德克萨斯大学达拉斯分校鲁棒语音系统中心）
用于法医说话人验证的音频分析在系统性能方面提供了独特的挑战，部分原因是在自然现场声学环境中收集的数据，其中位置/场景不确定性在法医数据收集过程中是常见的。作为潜在证据的法庭语音数据可以在随机的自然环境中获得，导致数据质量可变。语音样本可能包括由于声音的努力，如在911紧急呼叫大喊大叫，而其他可能是耳语或现场位置或面试室的情景强调的声音的变化。这种语音变异性包括内在和外在特征，使得说话人确认成为一项复杂而艰巨的任务。外部属性包括录音设备，如麦克风类型和位置，环境噪声，房间配置（包括混响）和其他基于环境噪声的问题。一些因素，如噪声和非目标语音，会影响验证系统的性能，因为它们的存在。为了调查现场声学环境的影响，我们进行了说话人验证研究的基础上，从8个现场位置，包括警察采访收集的音频CRSS-法医语料库。这项调查包括七个看不见的声学环境对扬声器验证系统的性能使用x-向量系统的影响进行分析。
2022-01-28 cs.SD eess.AS
EnvId: A Metric Learning Approach for Forensic Few-Shot Identification of Unseen Environments
针对法医调查中录音环境识别需处理特定候选地点且监督学习不适用的问题，提出度量学习框架EnvId，将任务建模为少样本分类以避免特定案件重训练，可处理未见信号退化等挑战性材料并提供高质量预测。
2025-02-11 cs.LG cs.SD eess.AS
ThinkOmni: A Reasoning-Driven Omni-Modal LLM Framework for Audio Forgery Detection and Localization
Shenzhen University（深圳大学）；Afirstsoft Technology Group Co., Ltd.（安福软件科技集团有限公司）
针对现有AFDL方法泛化能力不足的问题，提出推理驱动的全模态大语言模型ThinkOmni，构建FACoT数据集，引入FMIL与FCML，实现了跨数据集的音频伪造检测与定位。
2026-07-30 cs.SD
Location Forensics Analysis Using ENF Sequences Extracted from Power and Audio Recordings
University of South Carolina（南卡罗来纳大学）；North Carolina A & T State University（北卡罗来纳农业与技术州立大学）
电网频率（ENF）是配电网的特征，其表示电力系统网络的标称频率（50或60 Hz）。由于电网中的负载变化，ENF序列经历波动。这些ENF变化固有地位于靠近电网或直接从干线电力线记录的多媒体信号中。因此，可以通过在没有并发功率信号的情况下分析该信号的ENF序列来定位多媒体记录。在本文中，提出了一种新的方法来分析位置取证使用ENF序列提取的电力和音频记录。数字记录是从世界各地不同的网格位置收集的。从ENF序列确定潜在特征分量。然后，多类支持向量机（SVM）分类模型的开发，以验证录音的位置的真实性。性能评估肯定了所提出的工作的有效性。
2019-12-18 cs.LG cs.SD eess.AS
Toward Fine-Grained Speech Inpainting Forensics:A Dataset, Method, and Metric for Multi-Region Tampering Localization
Posts and Telecommunications Institute of Technology
本文提出MIST数据集、ISA方法和SF1@tau度量标准，用于多区域语音修补检测，揭示现有深度伪造检测器在细粒度语音修补检测上的不足。
2026-05-04 cs.CV cs.SD
Invisible Watermarking for Audio Generation Diffusion Models
Fordham University（福特汉姆大学）；IBM Research - Almaden（IBM研究院阿尔马登分院）；Florida International University（佛罗里达国际大学）；Google（谷歌）
本文提出首个面向梅尔频谱图音频扩散模型的不可见水印触发机制，用于验证模型所有权与完整性，并在保持良性音频生成性能的同时抵御未授权修改。
2023-10-31 cs.CR cs.LG cs.SD
Synthetic Voices, Real Threats: Evaluating Large Text-to-Speech Models in Generating Harmful Audio
Stony Brook University（石英布鲁克大学）；Zhejiang University（浙江大学）；The Hong Kong Polytechnic University（香港理工大学）
针对大型文本转语音模型生成有害音频的新型内容类威胁，本文提出HARMGEN攻击套件，通过两类攻击绕过安全防护，验证了现有防御的漏洞，呼吁构建跨模态安全机制。
2025-11-14 cs.AI cs.CR cs.MM
Speech watermarking: an approach for the forensic analysis of digital telephonic recordings
Escola Universitària Politècnica de Mataró（马塔罗理工学院）；Dirección General de la Guardia Civil（国民警卫队总局）；Graz University of Technology（格拉茨工业大学）
在这篇文章中，作者讨论了数字录音的司法鉴定问题。虽然法医音频已经在几篇文章中解决，但现有的方法集中在模拟磁记录上，由于市场上有大量的数字记录器（光学，固态，硬盘等），因此这些方法不太流行。提出了一种基于数字信号处理的语音水印方法，该方法结合了扩频技术。这种方法的优点在于，认证是基于信号本身而不是记录格式。因此，它适用于警察控制的电话拦截中的常用录音设备。此外，我们的建议允许引入相关信息，例如记录日期和时间以及所有相关数据（这对于经典系统并不总是可能的）。我们的实验结果表明，语音水印程序不干扰后验说话人辨识的显着方式。
2022-03-12 cs.CR cs.LG cs.SD
Point to the Hidden: Exposing Speech Audio Splicing via Signal Pointer Nets
Federal Criminal Police Office (BKA)（联邦刑事警察局（BKA））；Friedrich-Alexander University of Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Julius-Maximilians University of Würzburg（维尔茨堡朱利叶斯-马克西米利安大学）
本文提出SigPointer指针网络框架，用于在无约束场景下高效检测语音音频拼接，实验显示性能提升6到10个百分点。
2024-05-03 cs.SD eess.AS
Multi-Modal Video Forensic Platform for Investigating Post-Terrorist Attack Scenarios
Austrian Institute of Technology（奥地利技术研究所）
对恐怖袭击的法医调查对调查当局构成重大挑战，因为往往需要观看数千小时的录像。大规模视频分析平台（VAP）帮助执法机构（LEA）识别嫌疑人并保护证据。当前的平台主要集中在不同计算机视觉方法的集成上，因此仅限于单一模态。我们提出了一个视频分析平台，它集成了视频和音频分析模块，并融合了来自监控摄像头和目击者上传的视频信息。视频根据其声学和视觉内容进行分析。具体而言，音频事件检测被应用于根据特定于攻击的声学概念对内容进行索引。音频相似性搜索用于识别从不同角度记录的相似视频序列。视觉目标检测和跟踪用于根据相关概念对内容进行索引。引入了创新的用户界面概念，以充分利用分析模块的异构结果的潜力，使调查人员能够更快地跟踪线索和目击者报告。
2020-04-02 cs.CV cs.CY cs.MM
SEAR: Spoofing Evidence-Grounded Audio Reasoning Benchmark for Audio Language Models
University of Surrey（萨里大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Guangxi University（广西大学）；Shenzhen University of Advanced Technology（深圳先进技术大学）
针对现有音频深度伪造检测基准忽视声学证据验证的问题，提出SEAR基准和BAEA智能体，通过证据识别与量化等四项任务评估ALM，实验显示BAEA-Fixed提升判定与取证理由，且误导证据损害性能。
2026-10-01 cs.LG cs.SD
CFAD: A Chinese Dataset for Fake Audio Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）；University of Science and Technology of China（中国科学技术大学）
针对缺乏复杂条件下公开中文虚假音频检测数据集的问题，本文构建涵盖12种语音生成技术、多噪声、多信噪比和多编解码器场景的CFAD，并提供基线以评估泛化检测与音频取证。
2023-07-18 cs.SD eess.AS
AT-ADD: All-Type Audio Deepfake Detection Challenge Evaluation Plan
Communication University of China（中国传媒大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Beijing Institute of Technology（北京理工大学）；Shanghai Jiao Tong University（上海交通大学）
针对现有音频深度伪造检测方法在鲁棒性和泛化能力上的不足，AT-ADD挑战旨在通过标准化数据集和评估协议提升音频伪造检测的实用性和鲁棒性。
2026-04-09 cs.AI cs.SD
MixedTruth: Component-Level Detection of Synthetic Speech and Synthetic Background in Mixed Audio
Vanderbilt University（范德堡大学）
针对混合音频中语音与背景的取证检测问题，本文提出组件级检测器TruMix，编制4917小时的MixedTruth基准，其在组件级归因任务中AUC达98.51%，性能优于10种现有合成语音检测器且鲁棒性强。
2026-10-14 cs.SD
Audio Is the Achilles' Heel: Red Teaming Audio Large Multimodal Models
Monash University（莫纳什大学）
本研究针对音频大语言多模态模型的安全盲区，通过三类场景的红队测试发现多款模型存在显著安全漏洞，并分析了安全错位的潜在原因。
2024-10-31 cs.CL cs.MM cs.SD
SE-ADD: Self-Evolving Audio Deepfake Detection with Mistake-Driven Supervision
University of Surrey（萨里大学）；Guangxi University（广西大学）；Shenzhen University of Advanced Technology（深圳理工大学）；Adelaide University（阿德莱德大学）
针对音频深度伪造检测中新兴攻击的泛化问题，提出SE-ADD自进化框架，利用ALM自身错误驱动的监督和低秩适配迭代调整，显著降低等错误率。
2026-10-01 cs.LG cs.SD
Descriptor:: Extended-Length Audio Dataset for Synthetic Voice Detection and Speaker Recognition (ELAD-SVDSR)
Dept of Electrical and Computer Engineering, Clarkson University（电气与计算机工程系，克林顿大学）
本文提出面向合成语音检测与说话人识别的长时音频数据集ELAD-SVDSR，含36人45分钟多麦克风录音，已加入20个深度伪造语音样本，可助力高质量伪造语音生成及检测系统研发，推动相关领域发展。
2025-09-30 cs.SD eess.AS
TRACE: Training-Free Partial Audio Deepfake Detection via Embedding Trajectory Analysis of Speech Foundation Models
College of Innovation and Technology, University of Michigan-Flint（密歇根大学弗林特分校创新与技术学院）
本文提出TRACE框架，通过分析语音基础模型的嵌入轨迹动态，实现无训练的深度伪造检测，实验显示其在多个基准测试中表现优异，尤其在挑战性任务中超越传统监督方法。
2026-04-01 cs.AI cs.CV cs.SD
ADD 2023: Towards Audio Deepfake Detection and Analysis in the Wild
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Department of Automation, Tsinghua University（清华大学自动化系）
ADD 2023挑战赛聚焦真实场景下的音频深度伪造检测，设置多类细分任务，本文介绍了其数据集、顶尖参赛方案的技术分析及未来研究方向，以推动该领域发展。
2024-12-11 cs.SD eess.AS
SpeechJBB: Probing Safety Alignment and Comprehension in Large Audio Language Models under Code-Switched Speech
Mila - Quebec AI Institute（魁北克AI研究所）；McGill University（麦吉尔大学）；Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
提出SpeechJBB数据集，通过代码切换有害音频和伪词插入方法，揭示大型音频语言模型在多语言和口语设置下的安全漏洞。
2026-09-01 cs.CL cs.SD eess.AS
Continual Audio Deepfake Detection via Universal Adversarial Perturbation
School of Electronic Science and Engineering, Xiamen University, China（厦门大学电子科学与技术学院）；School of Informatics, Xiamen University, China（厦门大学信息学院）
本文提出一种基于全域对抗扰动的音频深度伪造检测框架，通过整合预训练自监督模型实现持续学习，有效应对不断演变的深度伪造攻击。
2025-11-25 cs.SD
Generalized Audio Deepfake Detection Using Frame-level Latent Information Entropy
Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
针对音频深度伪造检测的泛化性问题，基于信息论假设真实与伪造样本的信息差异，提出帧级潜在信息熵检测器（f-InfoED）及AdaLAM适配器扩展预训练模型，在ADFF 2024数据集上实现SOTA性能与强泛化性。
2025-04-15 cs.SD eess.AS
GenTraceBench: A Benchmark for Tracing Audio Deepfakes Across Pre- and Post-training Stages
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Amphion Technology Co., Ltd.（Amphion科技有限公司）；Huawei Technologies Co., Ltd.（华为技术有限公司）
GenTraceBench基准系统评估TTS模型适配后音频深度伪造指纹的稳定性，发现DPO/GRPO保留指纹而部分SFT导致漂移，多镜头注册可显著降低验证错误率。
2026-09-21 cs.SD
SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning
Northeastern University, China（东北大学）；China Mobile Internet Company Ltd.（中国移动互联网有限公司）；Shanghai University of Electric Power, China（上海电力大学）；Peking University, Shenzhen, China（北京大学深圳分校）
SAFE-QAQ通过强化学习实现端到端音频-文本欺诈检测，有效提升准确性、效率和实时处理能力。
2026-01-04 cs.CL cs.SD eess.AS
SARSteer: Safeguarding Large Audio-Language Models via Safe-Ablated Refusal Steering
University of Science and Technology of China（中国科学技术大学）
提出SARSteer，首个针对大型音频语言模型的推理时防御框架，通过文本衍生的拒绝引导和分解安全空间消融，有效提升有害查询拒绝率并减少良性查询的过度拒绝。
2026-06-15 cs.CR cs.SD
Listening Between the Lines: Synthetic Speech Detection Disregarding Verbal Content
Politecnico di Milano（米兰理工大学）
本研究探索仅基于背景成分而非言语内容进行合成语音检测，发现语音成分非关键因素，为检测器开发提供指导。
2024-02-08 cs.MM cs.SD eess.AS
Audio Recording Device Identification Based on Deep Learning
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种从背景噪声中识别录音设备的方法，从而为取证提供了一种方法。音频信号是语音信号和噪声信号之和。语音信号承载着信息的传递，因此受到人们的广泛关注。因此，为了获得更高的信噪比，人们进行了大量的研究。有很多语音增强算法都是为了提高语音的质量，可以看作是降低噪声。然而，噪声可以被视为音频记录设备的固有指纹痕迹。这些数字痕迹可以通过新的机器学习技术来表征和识别。因此，在我们的研究中，我们使用噪声作为本征特征。对于识别，使用并比较了深度学习方法的多个分类器。识别结果表明，从各设备噪声中提取特征向量，并利用深度学习技术进行识别的方法是可行的，且效果良好。
2016-04-27 cs.LG cs.SD
Speech-Audio Compositional Attacks on Multimodal LLMs and Their Mitigation with SALMONN-Guard
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；University of Cambridge（剑桥大学）
针对多模态LLMs的安全性，提出SACRED-Bench评估语音音频组合攻击，并通过SALMONN-Guard将攻击成功率降低至20%。
2026-02-10 cs.AI cs.SD
FakeMusicCaps: a Dataset for Detection and Attribution of Synthetic Music Generated via Text-to-Music Models
Politecnico di Milano（米兰理工大学）
针对文本到音乐模型引发的版权与归因问题，本文提出数据集FakeMusicCaps，包含多种最先进TTM技术重新生成的音乐-字幕配对，并进行了音频检测与归因的初步评估实验。
2024-09-25 cs.SD eess.AS
Audio-Visual Person-of-Interest DeepFake Detection
University Federico II of Naples（那不勒斯费德里科二世大学）；Technical University of Munich（慕尼黑工业大学）
本文提出一种基于视听特征的特定人物（POI）DeepFake检测器，利用对比学习学习身份判别性嵌入，通过检测嵌入空间中音视频表示与真实身份的不一致来识别伪造，在低质量视频上达到SOTA性能。
2023-05-18 cs.CV cs.SD eess.AS
MADBench: A Benchmark for Modality-Aware Audio Deepfake Detection
MADBench是首个区分语音与环境音频的音频深度伪造检测基准，测试发现环境音频操纵更易检测，现有预训练检测器在两类声学成分上均失效，为相关研究提供严谨基础。
2026-08-11 cs.AI cs.SD
STOPA: A Database of Systematic VariaTion Of DeePfake Audio for Open-Set Source Tracing and Attribution
Brno University of Technology（布拉格技术大学）；University of Eastern Finland（东部芬兰大学）
针对深度伪造语音来源追踪缺乏系统性数据集的问题，提出STOPA数据集，涵盖多种模型与参数，提升归因可靠性和准确性。
2025-10-09 cs.AI cs.CR cs.SD
Blind Room Parameter Estimation Using Multiple-Multichannel Speech Recordings
CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Loria（洛林计算机科学及其应用研究所）
知道房间的几何和声学参数可以有益于诸如音频增强现实、语音去混响或音频取证之类的应用。在本文中，我们研究的问题，联合估计的总表面积，体积，以及频率相关的混响时间和平均表面吸收的房间在一个盲目的方式，基于双通道嘈杂的语音记录从多个，未知的源接收器的位置。提出了一种新的利用单通道和通道间线索的卷积神经网络架构，并在一个大型的、逼真的模拟数据集上进行了训练。模拟和真实数据的结果表明，在一个房间中使用多个观测值显着减少了所有目标量的估计误差和方差，使用两个通道有助于估计表面和体积。该模型优于最近提出的盲体积估计方法所考虑的数据集。
2021-07-29 cs.LG cs.SD eess.AS
Spectrogram-Based Detection of Auto-Tuned Vocals in Music Recordings
University of Brescia（布雷西亚大学）；Polytechnic University of Milan（米兰理工大学）
针对音乐录音中自动修音人声检测的空白，本研究构建含原始与修音片段的数据集，提出基于三元组网络的数据驱动检测方法，其准确率和鲁棒性均优于音频取证常用的Rawnet2模型。
2024-03-08 cs.CV cs.SD eess.AS
Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction
Amped Software（Amped软件公司）
针对音频深度伪造检测难题，提出基于维纳-霍普夫线性预测和轻量级二维卷积神经网络的可设计解释框架，实验显示其检测性能优、计算复杂度低，解释性分析揭示其关注要点，鲁棒性实验表明微调可应对后处理退化。
2026-07-15 cs.AI cs.CR cs.MM
Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights
Academia Sinica（中央研究院）；National Tsing Hua University（国立清华大学）；National Chengchi University（国立政治大学）
本综述全面回顾了结合音频与视觉模态的音视频深度伪造检测技术、生成方法及开源数据集，旨在弥合单模态与多模态方法间的差距，提升检测有效性并指导未来网络安全研究。
2024-11-12 cs.AI cs.CV cs.LG
A Preliminary Exploration with GPT-4o Voice Mode
National Taiwan University（台湾大学）
本研究评估GPT-4o语音模式的音频处理与推理能力，发现其在多类语音音乐任务中表现优异且抗幻觉能力强，但部分任务存在不足，揭示了其内置安全机制的敏感性，为大型音频语言模型研究提供初步参考。
2025-02-14 cs.CL cs.SD eess.AS
Analyzing the Impact of Splicing Artifacts in Partially Fake Speech Signals
Politecnico di Milano（米兰理工大学）
本研究分析了部分伪造语音信号中信号拼接引入的伪影，发现仅通过分析这些伪影即可在 PartialSpoof 和 HAD 数据集上分别实现 6.16% 和 7.36% 的检测等错误率（EER），无需训练检测器，揭示了现有数据集的潜在偏差并指明未来改进方向。
2024-08-25 cs.AI cs.MM cs.SD
New Challenges for Content Privacy in Speech and Audio
University of Southampton（南安普顿大学）；Fraunhofer AISEC（弗劳恩霍夫人工智能安全研究所）；Technical University Munich（慕尼黑工业大学）；Aflorithmic Labs Ltd.（Aflorithmic实验室有限公司）
语音和音频中的隐私有很多方面。在这一领域，隐私权的一个特别欠发达的领域涉及对与内容和背景有关的信息的考虑。语音内容可以包括单词及其含义，甚至包括文体标记、病态语音、语调模式或情感。更一般地，在野外捕获的音频可以包含背景语音或揭示上下文信息，诸如位置标记、房间特性、非语言声音或其他可听事件。音频记录设备和语音技术在日常生活中变得越来越普遍。与此同时，商业化的语音和音频技术并没有为消费者提供一系列隐私选择。即使在隐私受到法律监管或保护的地方，隐私保障和执行的技术解决方案也不足。这份立场文件介绍了语音和音频中内容隐私的三个重要而及时的研究挑战。我们强调当前的差距和机遇，并确定重点领域，这可能对开发道德和更安全的语音技术产生重大影响。
2023-01-21 cs.CR cs.SD eess.AS
Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；State Key Laboratory of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室）；Alibaba Group（阿里巴巴集团）；School of Cyber Science and Engineering, Wuhan University（武汉大学网络空间安全学院）；School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间科学与技术学院）
针对音频部分伪造检测无法精确定位时间戳的问题，提出由粗到细提案细化框架CFPRF，结合帧级检测网络与提案细化网络，并设计差异感知与边界感知特征模块，在多个数据集上实现了最先进的伪造检测与定位性能。
2024-07-23 cs.CV cs.MM cs.SD
Synthetic Speech Source Tracing using Metric Learning
Athens University of Economics and Business（雅典经济与商业大学）；National and Kapodistrian University of Athens（雅典国家与卡布里亚大学）；Omilia - Conversational Intelligence（Omilia-对话智能）
本文研究合成语音来源溯源问题，在MLAADv5基准上比较分类与度量学习两种方法，发现ResNet结合度量学习可匹敌甚至超越自监督学习系统，为音频取证提供了新思路。
2025-06-03 cs.CL cs.SD
SHIELD: A Secure and Highly Enhanced Integrated Learning for Robust Deepfake Detection against Adversarial Attacks
College of Innovation & Technology, University of Michigan-Flint（创新与技术学院，密歇根大学弗林特分校）
本文提出SHIELD协作学习框架，通过集成防御生成模型和三元组模型捕获真实与反取证攻击音频间的相关性，以抵御生成式反取证攻击，并在多个数据集上实现高鲁棒检测准确率。
2025-07-17 cs.AI cs.CR cs.LG
Adversarial Attacks on Audio Deepfake Detection: A Benchmark and Comparative Study
College of Innovation & Technology University of Michigan-Flint（创新与技术学院 美国密歇根大学弗林特分校）
本文基准比较了最先进的音频深度伪造检测方法，评估其在多种反取证攻击下的脆弱性，为设计更鲁棒的检测器提供指导。
2025-09-08 cs.AI cs.CV cs.LG
Prosody-driven Jailbreaks in Audio LLMs: A Controlled Study and Mechanistic Analysis
City University of Hong Kong（香港城市大学）；City University of Hong Kong (Dongguan)（香港城市大学（东莞））
该研究通过控制文本内容改变语音传递预设构建评估协议与基准，发现特定韵律特征的语音能提升音频大语言模型的越狱成功率，表明语音传递是音频大语言模型安全评估的重要因素。
2026-07-30 cs.CL cs.SD
Half-Truth Audio Detection and Localisation: A Lightweight Cross-Attentive Architecture and a Cross-Corpus Diagnostic Study
Department of Computer Science（计算机科学系）
提出CAFNet模型，通过三元分类和边界回归联合检测部分伪造音频，在MLADDC数据集上达到92.71%准确率和0.075s定位误差。
2026-09-03 cs.CV cs.LG cs.SD
DetectZoo: A Unified Toolkit for AI-Generated Content Detection Across Text, Audio, and Image Modalities
University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；Toronto Metropolitan University（多伦多 Metropolitan 大学）；University of British Columbia（不列颠哥伦比亚大学）；Vector Institute（向量研究所）
提出DetectZoo，一个首个统一的多模态AI生成内容检测工具包，通过标准化数据预处理、评估流程和集成61个检测器与22个基准数据集，实现公平可重复的基准测试。
2026-06-02 cs.AI cs.CL cs.CV
