MelShield：强大的 Mel 域音频水印，用于 AI 生成的合成语音的来源归属

在本文中，我们提出了 MelShield，这是一种强大的、新一代的、键控的音频水印框架，可将可识别信号嵌入人工智能生成的音频中，以实现版权保护和可靠归属。具体来说，MelShield 在生成过程中在 Mel 频谱图域中运行，针对 Mel 条件管道中的中间声学表示进行文本转语音 (TTS) 生成。核心思想是将中间梅尔频谱图视为主信号，并通过在波形合成之前分布在精心选择的时频区域的低能量、键控扩频扰动嵌入短二进制有效负载。通过在声码器推理之前执行水印处理，MelShield 对于 Mel 调节的 TTS 架构保持即插即用，并且不需要修改或重新训练底层 TTS 生成声码器，例如 DiffWave 和 HiFi-GAN。此外，多用户密钥结构实现了可扩展的用户特定归因，而密钥验证机制限制了未经授权的解码，从而降低了大规模提取器探测和对抗性分析的风险。 DiffWave 和 HiFi-GAN 上的大量实验表明，即使在信号失真（例如压缩和附加噪声）的情况下，MelShield 也能实现可靠的水印提取，接近 100% 的位精度，同时保持高感知音频质量。