Deepfake 语音检测器实际上听到了什么？

Deepfake 语音检测器通常会输出单个分数，而不会解释为什么标记音频样本、证据位于信号中的位置或推动决策的线索。我们提出了一种音频原生可解释性管道，使用时间对齐的自监督表示上的集成梯度来随时间定位决策证据。我们将所提出的方法应用于 ASVspoof 5 上的三个基于 WavLM 的检测器（AASIST、CA-MHFA、SLS），并手动注释最高属性区域以提供最重要线索的语义。尽管性能相似，但检测器依赖于不同的线索：AASIST 强调非语音/环境线索，CA-MHFA 侧重于局部音素伪影，而 SLS 依赖于单词边界和频谱完整性。我们超越了推测性推理，并通过对主要检测器线索进行因果屏蔽来验证我们的发现。观察到的性能下降进一步支持了所解释的检测器语义。