论文
VoxENES 2026：针对 LLM-Era TTS 和语音转换的语音欺骗检测器的基准通用化
VoxENES 2026: Benchmarking Generalization of Speech Spoofing Detectors Against LLM-Era TTS and Voice Conversion
摘要
现代 LLM 驱动的文本到语音 (TTS) 和语音转换 (VC) 系统生成的合成语音与许多传统欺骗基准中代表的生成器不同。这种不匹配会产生时间泛化差距，可能会高估探测器在现实后处理条件下的鲁棒性。我们通过引入 VoxENES 2026 来弥补这一差距，这是一个双语（英语和西班牙语）基准，包含使用 10 种当代语音合成方法生成的 53,628 个音频样本，并在 10 种标准化后处理条件下进行评估。使用 VoxENES 2026，我们对没有 微调 的八个预训练检测器进行基准测试，并观察到性能大幅下降：最佳模型总体 EER 为 28.98%，而大多数模型在现代生成器和扰动中的性能接近或低于随机机会。我们的结果强调了当前检测器对脆性伪影的依赖，并将 VoxENES 2026 确立为开发强大的音频欺骗对策的实用测试平台。