部分语音欺骗中的时间锚点和编辑灵敏度：一项对照研究

部分欺骗检测器必须拒绝合成内容，同时接受良性编辑。我们使用冻结的 WavLM 特征、非语言单元控制和源锁定评估来诊断时间锚点和边界一致性训练。真-真和真-假拼接对比编辑误报和合成内容遗漏；他们没有分离出独特的因果产物。凭借第 6 层功能，手机单元的 PartialSpoof 评估框架 EER 高于软框架（11.18% 与 9.59%）。在 500 个回顾性 PS 评估案例中，增强减少了真正拼接的误报；合成核心未命中的 PS 开发 FPR 增加 5%，但不明显增加 1%。 200 例 Llama A 后续行动保留了误报率的减少，但并未增加误报率。推定案例排名可以提高，而固定阈值失误会增加。一致性不会带来统一的增益，编码器层排名在语料库上会发生变化。我们用三个种子（包括单词单元）报告框架和事件定位，并将 PS 评估视为回顾性的。审核代码、选定的训练脚本和结果摘要可在 https://github.com/mysxs/partial-spoof-diagnostics. 上获取