追踪并重学 TTS 系统中的伪造检测证据

音频深度伪造检测器能区分真实语音与合成语音，但检测证据来自文本转语音系统的哪个阶段仍不清楚。本文在F5-TTS-BigVGAN流程中通过受控再合成与检测器适配研究这一问题。由于真实梅尔频谱经声码器重建后，本身就可能与原始语音区分开，研究固定声码器，将检测器区分能力的较大变化追溯至声学生成阶段。在目标函数不包含检测器的情况下对声学模型进行对抗微调，在质量相当时提高了固定检测器的等错误率EER。然而，仅用微调模型生成的VCTK输出适配检测器，就使其在LibriSpeech上的EER从19.42%降至7.46%，并改善对未见过的基础F5-TTS输出的检测。这表明声学模型更新可减少固定检测器可用的证据，但检测器适配仍能让更新后的输出在该流程中被识别。