摘要
生成式人工智能技术，包括文本转语音（Text-to-Speech, TTS）与语音转换（Voice Conversion, VC），其生成的音频样本已日益逼近真实语音，难以与真实音频区分开来，给个体辨别真实与合成内容带来了严峻挑战。这种难以区分的特性严重削弱了公众对媒体内容的信任，而个人语音信号的任意克隆更对隐私与安全构成重大威胁。在深度伪造音频检测领域，目前大多数实现高检测准确率的模型均依赖于自监督预训练模型。然而，随着深度伪造音频生成算法的持续演进，模型在面对新型生成技术时维持高判别能力的难度日益增加。为提升深度伪造音频特征的敏感性，本文提出一种融合敏感层选择（Sensitive Layer Selection, SLS）模块的深度伪造音频检测模型。具体而言，该模型利用预训练的XLS-R模型，从其不同网络层中提取多样化的音频特征，各层所提供的判别信息具有独特性。通过引入SLS分类器，模型能够捕捉音频特征在不同层级上的敏感上下文信息，并有效利用这些信息进行伪造音频的识别。实验结果表明，所提方法在ASVspoof 2021 DF与In-the-Wild两个基准数据集上均达到了当前最先进的性能（State-of-the-Art, SOTA）。其中，在ASVspoof 2021 DF数据集上，等错误率（Equal Error Rate, EER）低至1.92%；在In-the-Wild数据集上，EER为7.46%。相关代码与数据集可访问GitHub仓库：https://github.com/QiShanZhang/SLSforADD。