探究因果线索：利用人类可辨识语言特征加强伪造音频检测

本研究利用真实的政治辩论语音数据集，采用多模态深度学习架构进行欺诈检测以提升检测准确度。

提出了用于检测伪造声音的数据集SceneFake，能够检测已知和未知的操纵声音。

现有的ASVspoof 2019基线模型无法可靠地检测场景被篡改的语音，检测未知场景操纵声音仍具有挑战性。

引入因果推理和反事实分析，结合声音特征和来源信息，提高了音频检索任务的准确率。

评估OpenAI的Whisper语音转文字服务，发现约1%的转录中包含幻觉内容，呼吁改善该问题以确保公平性。

现有合成语音检测器存在性别、年龄和口音偏见，需要进一步研究以确保公正性。

提出了一种多模态特征的注意力混合方法，用于改进自动欺骗检测的性能。

研究局部篡改音频的检测，利用Grad-CAM分析对策的决策过程，提供了对策模型设计的基础。

提出语音特定的风险分类方法，创建小规模数据集评估多模态模型的检测能力。

探讨信号拼接过程中引入的伪影对现有数据集的潜在偏见，展示生成可靠拼接音频数据的复杂性。