VeriSpoof خدام

VeriSpoof هو موديل صوتي كبير مفتوح المصدر طوّراتو جامعة ملبورن، فيه 2.85B ديال المعاملات وتدرّب غير على 29.7M. كيوحّد VeriSpoof خبرة تزوير الصوت فطرح الأسئلة على الموديل، وبنفس الأوزان كيدير كشف الأصالة، وتحديد المصدر، والتحقق من نفس المصدر، والتعرّف على القناة، والاستدلال القابل للتحقق والمبني على الأدلة. فـ Speech-DF-Arena وصل EER المدمج لـ 2.14%، واحتل المرتبة الثالثة بين 28 نظام، والأولى بين الأنظمة مفتوحة المصدر.

كشف الأصالة: كيحدّد واش التسجيل صوت ديال إنسان ولا صوت مركّب بالذكاء الاصطناعي. النقطة كتتحسب من الفرق بين الاحتمال اللوغاريتمي لجوج أجوبة: ”مزور/بشري”. فـ Speech-DF-Arena وصل EER المدمج لـ 2.14%، وهو الأول بين الأنظمة مفتوحة المصدر.
تحديد نظام التوليد: كيتعرّف على المولّد المحدد وسط أنظمة TTS/VC المرشحة، وكيقدر يفرّق بين مستويات النموذج الصوتي، والمرمّز الصوتي، وثلاثة مستويات أخرى بشكل منفصل. فـ MLAAD وصلت دقة تصنيف 12 مولّداً معروفاً لـ 96.8%.
التحقق من نفس المصدر: كيحدّد واش جوج تسجيلات خارجين من نفس نظام التوليد. مع أزواج مولّدين ما شافهمش فالتدريب، وصل EER لـ 6.2%، أقل بـ 77% من مسبار الأزواج المدرّب على الخصائص المجمدة ديال كاشف مخصص.
التعرّف على ظروف التسجيل: كيتعرّف على الضجيج، والصدى، ونوع الترميز وفك الترميز فالصوت. فالنسخة Plus وصلت الدقة لـ 81.3%.
الاستدلال القابل للتحقق: كيعرض الاستدلال فخانات ثابتة: الملاحظات، والقناة، وتحديد الموضع، وبروفايل المصدر، والخلاصة. كل سطر يمكن التحقق منو بمقارنته مع قياسات الموجة أو وسم مجموعة البيانات، وكيعطي تحديداً لمقاطع التزوير كل 0.16 ثانية. هاد الشي رفع نسبة كشف التزوير الموضعي من 78.4% لـ 99.6%.

تابعونا فـ WeChat وردّو بـ ”开源” باش تنضمو لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
تقسيم الصوت بدقة مزدوجة: كيعتمد المرمّز على AuT encoder ديال Qwen3-ASR-1.7B. كيتدمجو 25 حالة خفية بأوزان قابلة للتعلم، ومن بعد كيدوزو لمقسّم صوتي متدرّب من الصفر. كيخرج المقسّم 16 token ديال الجملة كاملة كتحمل معلومات المصدر الثابتة عالمياً، و52 token ديال الإطارات، كل واحد كيمثل 0.16 ثانية وكيحافظ على المعلومات الزمنية. وبين الإطارات كيتزاد token نصي زمني كل 0.8 ثانية، باش يقدر الموديل اللغوي يذكر مباشرة موضع مقطع التزوير بوحدة ”الثانية”.
الجواب نفسو هو اللي كيعطي النقطة: الموديل اللغوي هو MiniCPM5-2B مع LoRA، وجميع المهام الهدف ديال التدريب فيها هو التنبؤ بالـ token الموالي، بلا حتى رأس تصنيف خاص بمهمة معينة. نقطة الكشف هي الفرق بين الاحتمال اللوغاريتمي لجملة جواب التزوير وجملة جواب الصوت البشري، ونقطة نفس المصدر هي الفرق بين yes و no، وفأسئلة الاختيار المتعدد كيتحسب لكل جواب مرشح وكيتم اختيار الأكبر.
وصفة تدريب من ثلاث مراحل: فمرحلة المحاذاة الإدراكية كيتجمّد الموديل اللغوي، وكيتدرّب غير المقسّم الصوتي والمرمّز DoRA، باش يتعلم الجانب الصوتي يحمل آثار التزوير. من بعد كيتزاد تدريب LoRA ديال الموديل اللغوي على جميع أسئلة الخبرة، بما فيها المولّد، والنموذج الصوتي، والمرمّز الصوتي، وأسئلة الأزواج فالمستويات الثلاثة. وفالأخير كيتزاد الاستدلال المبني على الأدلة والعينات المضادة للواقع بمعدل تعلم أقل، مع إعادة أسئلة المرحلة الثانية باش ما تتراجعش القدرة على الجواب من خطوة وحدة.
أهداف الاستدلال محسوبة من الإشارة: نص الاستدلال كيتكتب بخانات ثابتة، وكل نوع من التصريحات عندو مدقّق مستقل على الموديل. سطر الملاحظات كيتقارن بقياسات عرض النطاق، وSNR، والمستوى، والقصّ فالموجة؛ وسطر القناة كيتقارن بالظروف المسجلة أثناء تعزيز البيانات؛ وسطر الموضع كيتقارن بوسوم مجموعة البيانات؛ وبروفايل المصدر كيتقارن بالبيانات الوصفية ديال المولّد. فالعينات المضادة للواقع كيتبدّل الموضع للعكس أو كيتزاد مقطع جديد، وكيُطلب من الخلاصة تتبدّل معاه، بينما إلا تبدلات غير الخانات غير المرتبطة خاص الخلاصة تبقى كيف ما هي. هاد الشي كيقيد، من خلال إشارة التدريب، أن الخلاصة تعتمد غير على ”فين كاين الصوت المركّب”.

تثبيت الكود: شغّل hf download AustinXiao/VeriSpoof-Plus --include "code/*" --local-dir verispoof باش تهبط الكود، ومن بعد نفّذ pip install ./verispoof/code باش تثبّت حزمة الاستدلال.
تحميل الموديل: فـ Python دير from verispoof import VeriSpoof، ومن بعد model = VeriSpoof.from_pretrained("AustinXiao/VeriSpoof-Plus") باش تكمل التحميل.
كشف الأصالة: عيط لـ model.detect("sample.wav") باش يرجّع التصنيف والنقطة. كشف الأصالة وتحديد الموضع token بـ token كيتطلبو غير forward واحد، بلا ما تكون حاجة لتوليد النص.
الاستدلال القابل للتحقق: عيط لـ model.explain("sample.wav") باش يرجّع نص الاستدلال، والخلاصة، والمقاطع المحددة، واحتمال التوليف token بـ token. ويمكن توليد الاستدلال الكامل بشكل جماعي باستعمال vLLM backend، وبحوالي 0.05 ثانية لكل تسجيل على A100.
التحقق من نفس المصدر: عيط لـ model.same_source("a.wav", "b.wav", level="generator") باش تحدّد واش جوج التسجيلات من نفس المصدر. ويمكن حتى level تكون acoustic_model أو vocoder.
التعرّف على الظروف وتحديد المصدر: عيط لـ model.condition("sample.wav", attr="codec") باش تتعرّف على الضجيج، والصدى، أو الترميز وفك الترميز. وعيط لـ model.generator("sample.wav", ["XTTS-v2", "Bark", "VITS"]) باش تحدّد نظام التوليد وسط لائحة مرشحين مخصصة.

أحسن أداء فالكشف بين الأنظمة مفتوحة المصدر: EER المدمج فـ Speech-DF-Arena هو 2.14%، والرتبة الثالثة بين 28 نظام، والأولى بين الأوزان مفتوحة المصدر. وهو كذلك النظام الرائد الوحيد اللي مرفوق بوصفة إعادة إنتاج منخفضة التكلفة.
بنية موحّدة عوض خمسة موديلات: نفس الأوزان كتكمل خمس مهام، وهي الكشف، وتحديد المصدر، والتحقق من نفس المصدر، والتعرّف على القناة، والاستدلال، بلا رأس تصنيف خاص بمهمة معينة.
النقطة هي الجواب: جميع نقاط التقييم جاية مباشرة من الاحتمال اللوغاريتمي لجمل جواب الموديل، وما كاينش انفصال بين ”رأس تصنيف قوي ولكن الجواب ما عندوش علاقة بالسؤال”. الخلاصة اللي كيشوفها المستخدم هي نفس الخرج اللي تحسبات ليه النقطة.
استدلال قابل للتحقق عوض اختلاق نصوص: الاستدلال كيتكتب بخانات ثابتة، وكل سطر يمكن التحقق منو بقياسات الموجة أو بوسوم مجموعة البيانات. والتدريب المضاد للواقع كيضمن أن الخلاصة كتتبدّل غير مع ”فين كاين الصوت المركّب”، ووصلت نسبة الوفاء لـ 100%.
القدرة على التعميم متحققة بصرامة: فالحكم على نفس المصدر مع مولّدين ما تشافوش فالتدريب، وصل EER لـ 6.2%، أقل بـ 77% من مسبار الأزواج المخصص. وزيد على ذلك، المولّدين غير المعروفين محيدين بالكامل من بيانات التدريب، وبروتوكول التقييم نقي.

الموقع الرسمي للمشروع: https://swagshaw.github.io/verispoof/
مستودع GitHub: https://github.com/swagshaw/verispoof
مستودع النماذج فـ HuggingFace: https://huggingface.co/collections/AustinXiao/verispoof
الورقة التقنية فـ arXiv: https://arxiv.org/pdf/2611.04634

مراقبة المحتوى فالإعلام والمنصات الاجتماعية: كشف واش الصوتيات اللي كيحمّلها المستخدم و”لقطات الصوت” مركّبة بالذكاء الاصطناعي، والمساعدة فحجز المحتوى المزور المصنوع باستعمال أصوات مستنسخة.
مكافحة الاحتيال فالمعاملات المالية والمكالمات: التحقق واش مكالمات خدمة الزبناء وتسجيلات أوامر التحويل صادرة عن إنسان، والوقاية من عمليات انتحال الأقارب أو المسؤولين باستعمال استنساخ الصوت.
الخبرة القضائية وإنفاذ القانون: توفير تقارير استدلال يمكن التحقق من كل سطر فيها أثناء فحص الأدلة الصوتية، مع توضيح موضع المقاطع المزورة والقرائن المرتبطة بنظام التوليد، لمساعدة المراجعة البشرية.
التحقق من الهوية فمراكز الاتصال: تحديد واش التسجيلات المحفوظة والمكالمات المباشرة من نفس المصدر وواش صادرة عن إنسان، وتقليل خطر تجاوز المصادقة الصوتية باستعمال أصوات مركّبة.
البحث العلمي وتقييم النماذج: استعمالو كأقوى خط أساس للكشف بين الأوزان مفتوحة المصدر وكـموديل موحّد للخبرة، باش يقيّمو الباحثون النماذج ديالهم باستعمال VeriSpoof-Bench ويديرو تجارب مقارنة مضبوطة.