Spooftral：Voxtral 音频语言模型可以检测语音欺骗吗？

自监督学习（SSL）对策（CM）近年来表现出了强劲的表现。然而，在面临看不见的欺骗攻击和不匹配的条件时，它们经常表现出性能下降。本研究研究了用于欺骗检测的 Voxtral 音频语言模型 (ALM) 框架，作为在 ALM 框架内结合 CM 功能的一步。我们分析了 Voxtral 如何通过音频文本处理捕获欺骗线索，并提出一种指令引导方法，该方法使用标签序列可能性来评估善意和欺骗语音。 ASVspoof 数据库上的实验表明，如果没有特定于任务的适应，LLM 层会强调语义表示，与基于 Whisper 的音频编码器相比，降低了欺骗辨别性声音线索的可分离性。因此，在语言模型处理之后，与欺骗相关的信息变得难以分离。我们还将使用权重分解低秩自适应（DoRA）的轻量级自适应应用于 Voxtral 模型，并提出了 Spooftral 模型，在 ASVspoof5 评估集上实现了 4.25% 的等错误率（EER）。