Deskripsi
VeriSpoof adalah model bahasa audio perintis yang dikembangkan untuk forensik deepfake suara yang canggih. Ini menyediakan solusi komprehensif untuk menentukan apakah suara adalah deepfake, mengidentifikasi sistem yang menghasilkan suara tersebut, menilai apakah dua rekaman berasal dari sumber yang sama, menganalisis efek saluran, dan menjelaskan kesimpulannya dengan cara yang transparan dan dapat diverifikasi.
Baca Selengkapnya
Model ini telah menunjukkan kinerja yang luar biasa, mencapai 2,14% pooled Equal Error Rate (EER) di 14 set Speech-DF-Arena, menempatkannya sebagai detektor open-weight teratas. Arsitekturnya dibangun di sekitar LLM audio (Large Language Model) yang memproses rekaman menjadi token ucapan dan bingkai, yang kemudian dibaca oleh model MiniCPM5-2B dengan LoRA. Berbeda dengan sistem tradisional, VeriSpoof tidak bergantung pada kepala tugas terpisah; sebaliknya, setiap jawaban adalah kalimat yang kemungkinan langsung berfungsi sebagai skor, memungkinkan ambang batas yang fleksibel di setiap titik operasi.
Dasar dari VeriSpoof adalah kekuatan inti, dengan setiap baris dari rasionalnya diperiksa secara independen terhadap pengukuran gelombang, kondisi yang dicatat, rentang yang diberi label, dan metadata generator. Ini memastikan bahwa pengamatan, status saluran, lokalisasi segmen yang disintesis, dan profil sumber divalidasi secara ketat. Sistem ini juga menggabungkan pelatihan kontra-faktual, di mana keputusan dilatih untuk mengikuti bukti yang dinyatakan, bahkan ketika lokalisasi sengaja dibalik, memastikan penalaran yang kuat dan konsisten secara logis.
Ditujukan terutama untuk penelitian dalam deteksi deepfake, pelacakan sumber, dan forensik yang dapat dijelaskan, VeriSpoof menyediakan alat yang kuat untuk mengaudit keputusan audio. Disarankan agar skor yang dihasilkan dikombinasikan dengan bukti lain dan tinjauan manusia untuk keputusan forensik akhir. Proyek ini mencakup model Dasar dan Plus, dengan VeriSpoof-Plus menunjukkan kinerja yang lebih baik di berbagai metrik evaluasi dan dataset. Bobot dan kode untuk VeriSpoof dirilis di bawah lisensi CC BY-NC 4.0, sementara model dasarnya, MiniCPM5-2B dan Qwen3-ASR-1.7B, beroperasi di bawah Apache-2.0.
- KategoriPendeteksi Konten AI
- Model HargaFree (Open-Weight)
- PenerapanLocal (Inference Package)
- PlatformWindows, macOS, Linux
Fitur Inti VeriSpoof
Deteksi Deepfake Suara: Mengidentifikasi apakah suara adalah deepfake.
Verifikasi Sumber: Menentukan sistem mana yang menghasilkan deepfake.
Atribusi Sumber: Menentukan apakah dua rekaman berasal dari generator yang sama.
Deskripsi Saluran: Menganalisis dan menggambarkan efek saluran pada audio.
Keputusan yang Dapat Dijelaskan: Menyediakan garis pendek yang dapat diverifikasi yang menjelaskan kesimpulannya.
Rasional yang Terbukti: Setiap klaim diperiksa terhadap pengukuran gelombang dan label dataset.
Akurasi Tinggi: Mencapai 2,14% pooled EER di Speech-DF-Arena, menduduki peringkat #1 di antara detektor open-weight.
LLM Audio Terpadu: Satu model menangani semua pertanyaan forensik tanpa kepala tugas terpisah.
Jawaban Berdasarkan Skor: Jawaban adalah kalimat yang kemungkinan berfungsi sebagai skor.
Pengujian Kontra-Faktual: Memungkinkan penggantian lokalisasi yang dinyatakan untuk mengevaluasi kembali keputusan.
Inferensi Offline: Mendukung menjalankan rekaman uji nyata secara offline.
Model Open-Weight: Tersedia untuk penelitian dan pengembangan.
Keterangan Multibahasa: Demonstrasi film mencakup keterangan dalam bahasa Mandarin dan Inggris.
Berorientasi Penelitian: Dirancang untuk penelitian deteksi deepfake, pelacakan sumber, dan forensik yang dapat dijelaskan.
Keputusan yang Dapat Diaudit: Empat garis menuju keputusan yang dapat diaudit.
Cara menggunakan VeriSpoof?
Input Audio: Berikan satu rekaman audio atau sepasang rekaman kepada model.
Proses dengan LLM: Komponen audio mengubah input menjadi token ucapan dan bingkai untuk LLM.
Terima Jawaban Langsung: Dapatkan jawaban segera mengenai status deepfake atau kesamaan sumber.
Tinjau Rasional yang Terbukti: Periksa penjelasan terperinci, baris demi baris untuk keputusan model.
Verifikasi Klaim: Periksa setiap klaim dalam rasional terhadap pengukuran gelombang dan label dataset.
Lakukan Pengujian Kontra-Faktual: Opsional, modifikasi parameter seperti lokalisasi dan jalankan kembali model untuk mengamati perubahan keputusan.
Kasus Penggunaan VeriSpoof
- Penelitian Deteksi Deepfake
- Pelacakan Sumber Audio
- Forensik yang Dapat Dijelaskan
- Analisis Saluran Audio
- Analisis Suara Sintetis
- Benchmarking Detektor Deepfake








