VeriSpoof Faoliyat yuritmoqda

VeriSpoof — Melburn universiteti tomonidan taqdim etilgan ochiq kodli yirik audio modeli bo‘lib, 2.85B parametr atigi 29.7M bilan o‘qitilgan. VeriSpoof nutq soxtalashtirilishini ekspertizasini modelga savol berish shakliga birlashtiradi: bir xil og‘irliklar yordamida haqiqiylikni aniqlash, tizim manbasini izlash, bir manbaga tegishlilikni tekshirish, kanalni aniqlash va tekshiriladigan, dalillarga asoslangan xulosalar chiqarish amalga oshiriladi. Speech-DF-Arena birlashtirilgan testida EER 2.14% bo‘lib, 28 ta tizim orasida uchinchi, ochiq kodli tizimlar orasida birinchi o‘rinda turadi.

Haqiqiylikni aniqlash: yozuv inson nutqimi yoki AI tomonidan sintez qilinganmi, aniqlaydi. Ball “soxta/inson” javob jumlalarining log-ehtimolliklari farqidan olinadi; Speech-DF-Arena birlashtirilgan testida EER 2.14% va ochiq kodli tizimlar orasida birinchi natija qayd etilgan.
Generatsiya tizimi manbasini aniqlash: nomzod TTS/VC tizimlari orasidan aniq generatorni aniqlaydi. Buni akustik model va vokoder darajalariga ajratib, alohida baholash ham mumkin; MLAAD’da ko‘rilgan generatorlarni 12 toifaga ajratish aniqligi 96.8%.
Bir manbaga tegishlilikni tekshirish: ikki yozuv bir xil generatsiya tizimidan chiqqanmi, aniqlaydi. O‘qitishda ko‘rilmagan generator juftliklarida EER 6.2% bo‘lib, maxsus detektorning muzlatilgan xususiyatlari asosida o‘qitilgan juftlik tekshiruvchisidan 77% past.
Yozuv sharoitini aniqlash: audiodagi shovqin, reverberatsiya va kodek turini aniqlaydi; Plus versiyasining aniqligi 81.3%.
Tekshiriladigan xulosa: kuzatuv, kanal, joylashuv, manba profili va xulosa kabi belgilangan maydonlar asosida xulosa chiqaradi. Har bir satrni to‘lqin shakli o‘lchovlari yoki ma’lumotlar to‘plami belgilari bilan tekshirish mumkin; soxta qismlarning har 0.16 soniyadagi joylashuvi ham ko‘rsatiladi. Bu lokal soxtalashtirishni aniqlash darajasini 78.4% dan 99.6% gacha oshiradi.

WeChat’da kuzatib boring va “开源” deb javob yuboring, AI ochiq kodli loyihalar guruhiga qo‘shiling
Ikki aniqlikdagi audio tokenizatsiyasi: kodlovchi Qwen3-ASR-1.7B’ning AuT kodlovchisidan foydalanadi. 25 ta yashirin holat o‘rganiladigan og‘irliklar bilan birlashtirilib, noldan o‘qitilgan audio tokenizatoriga uzatiladi. Tokenizator 16 ta butun jumla tokenini chiqaradi; ular manbaning global o‘zgarmas ma’lumotlarini saqlaydi. 52 ta kadr tokenining har biri 0.16 soniyaga mos kelib, vaqt ma’lumotlarini saqlaydi. Har 0.8 soniyada kadrlar orasiga matn vaqt belgisi qo‘yiladi, shuning uchun til modeli soxta qism joylashuvini bevosita “soniya” birliklarida ayta oladi.
Ballning o‘zi javob sifatida olinadi: til modeli MiniCPM5-2B bo‘lib, LoRA bilan moslashtirilgan. Barcha vazifalarda o‘qitish maqsadi keyingi tokenni bashorat qilishdir; vazifaga xos tasniflash kallagi mavjud emas. Aniqlash balli soxta va inson javob jumlalarining log-ehtimolliklari farqidan, bir manbaga tegishlilik balli esa “yes” va “no” farqidan olinadi. Ko‘p tanlovli savollarda har bir nomzod javob jumlasi baholanib, eng yuqori ball tanlanadi.
Uch bosqichli o‘qitish retsepti: idrokni moslashtirish bosqichida til modeli muzlatiladi, faqat tokenizator va kodlovchi DoRA o‘qitiladi, shunda audio tomoni avval soxtalashtirish izlarini tashishni o‘rganadi. Keyin til modeliga LoRA qo‘shilib, generator, akustik model, vokoder va uch darajadagi juftlik savollarini o‘z ichiga olgan barcha ekspertiza savollari o‘qitiladi. Oxirida pastroq o‘qitish tezligida dalillarga asoslangan xulosa va kontrfakt namunalar qo‘shiladi; ikkinchi bosqich savollari ham takroran berilib, bir bosqichli javob berish qobiliyati pasayishining oldi olinadi.
Signal orqali hisoblanadigan xulosa maqsadi: xulosa matni belgilangan maydonlar asosida yoziladi va har bir turdagi bayonot uchun modelga bog‘liq bo‘lmagan tekshiruvchi mavjud. Kuzatuv satri to‘lqin shaklidagi o‘tkazish kengligi, SNR, signal darajasi va kesilish o‘lchovlari bilan; kanal satri ma’lumotlarni kengaytirish paytida qayd etilgan shartlar bilan; joylashuv satri ma’lumotlar to‘plami belgilari bilan; manba profili esa generator metama’lumotlari bilan solishtiriladi. Kontrafakt namunalar joylashuvni teskarisiga o‘zgartiradi yoki yangi parcha kiritadi va xulosaning shunga mos ravishda almashishini talab qiladi. Faqat aloqasiz maydonlar o‘zgartirilganda xulosa o‘zgarmasligi kerak; shu tariqa o‘qitish signali xulosani faqat “qayeri sintez qilinganiga” bog‘laydi.

Kodni o‘rnatish: kodni yuklab olish uchun hf download AustinXiao/VeriSpoof-Plus --include "code/*" --local-dir verispoof buyrug‘ini bajaring, so‘ngra inferensiya paketini o‘rnatish uchun pip install ./verispoof/code buyrug‘ini ishga tushiring.
Modelni yuklash: Python’da from verispoof import VeriSpoof, so‘ng model = VeriSpoof.from_pretrained("AustinXiao/VeriSpoof-Plus") orqali yuklang.
Haqiqiylikni aniqlash: model.detect("sample.wav") chaqirig‘i yorliq va ballni qaytaradi. Aniqlash balli va tokenlar bo‘yicha joylashuvni matn generatsiyasisiz, faqat bir marta oldinga uzatish orqali olish mumkin.
Tekshiriladigan xulosa: model.explain("sample.wav") xulosa matni, yakuniy xulosa, joylashuv parchalari va tokenlar bo‘yicha sintez ehtimolini qaytaradi. To‘liq xulosani vLLM backend’i yordamida ommaviy tarzda generatsiya qilish mumkin; A100’da har bir yozuv uchun taxminan 0.05 soniya ketadi.
Bir manbaga tegishlilikni tekshirish: model.same_source("a.wav", "b.wav", level="generator") chaqirig‘i ikki yozuv bir manbadanmi, aniqlaydi. level qiymatini acoustic_model yoki vocoder qilib ham belgilash mumkin.
Shartlarni aniqlash va manbani izlash: model.condition("sample.wav", attr="codec") shovqin, reverberatsiya yoki kodekni aniqlaydi; model.generator("sample.wav", ["XTTS-v2", "Bark", "VITS"]) esa maxsus nomzodlar ro‘yxatidan generatsiya tizimini aniqlaydi.

Ochiq kodli tizimlar orasida eng yaxshi aniqlash samaradorligi: Speech-DF-Arena birlashtirilgan testida EER 2.14% bo‘lib, 28 ta tizim orasida uchinchi, ochiq kodli og‘irliklar orasida birinchi o‘rinda. Shu bilan birga, u arzon takroriy amalga oshirish retsepti taqdim etilgan yagona yetakchi tizimdir.
Besh xil model o‘rniga yagona arxitektura: bir xil og‘irliklar aniqlash, manbani izlash, bir manbaga tegishlilikni tekshirish, kanalni aniqlash va xulosa chiqarish kabi besh turdagi vazifani bajaradi; vazifaga xos tasniflash kallagi mavjud emas.
Ball javobning o‘zi: barcha baholash ballari bevosita model javob jumlasining log-ehtimolligidan olinadi. “Tasniflash kallagi kuchli, ammo javob savolga mos emas” kabi uzilish mavjud emas; foydalanuvchi ko‘radigan xulosa aynan baholangan chiqishdir.
Xulosa tekshiriladi, generatsiya qilib to‘qilmaydi: xulosa belgilangan maydonlar asosida yoziladi va har bir satrni to‘lqin shakli o‘lchovi yoki ma’lumotlar to‘plami belgisi bilan tekshirish mumkin. Kontrafakt o‘qitish xulosaning faqat “qayeri sintez qilinganiga” qarab o‘zgarishini ta’minlaydi; sodiqlik darajasi 100% gacha yetadi.
Umumlashtirish qobiliyati qat’iy tekshirilgan: ko‘rilmagan generatorlarda bir manbaga tegishlilikni aniqlash EER 6.2% bo‘lib, maxsus juftlik tekshiruvchisidan 77% past. Bundan tashqari, ko‘rilmagan generatorlar o‘qitish ma’lumotlaridan to‘liq chiqarib tashlangan, shuning uchun baholash protokoli xolis.

Loyihaning rasmiy sayti: https://swagshaw.github.io/verispoof/
GitHub repozitoriysi: https://github.com/swagshaw/verispoof
HuggingFace model kutubxonasi: https://huggingface.co/collections/AustinXiao/verispoof
arXiv texnik maqolasi: https://arxiv.org/pdf/2611.04634

Media va ijtimoiy platformalarni moderatsiya qilish: foydalanuvchi yuklagan audio va “ovozli skrinshot” AI tomonidan sintez qilinganmi, aniqlab, klonlangan ovozdan foydalanilgan soxta kontentni to‘sishga yordam beradi.
Moliya va telefon firibgarligiga qarshi himoya: mijozlarga xizmat ko‘rsatish qo‘ng‘iroqlari va pul o‘tkazish bo‘yicha ko‘rsatmalar yozuvi inson tomonidan aytilganmi, tekshiradi; ovoz klonidan foydalanib qarindosh yoki rahbar nomidan amalga oshiriladigan firibgarliklarning oldini oladi.
Sud ekspertizasi va huquqni muhofaza qilish: ovozli dalillar ekspertizasida har bir satr bo‘yicha tekshiriladigan xulosa hisobotini taqdim etadi, soxta parchalar joylashuvi va generatsiya tizimi belgilarini ko‘rsatib, inson tomonidan qayta tekshirishga yordam beradi.
Call-markazlarda shaxsni tekshirish: saqlangan yozuv va real vaqtdagi qo‘ng‘iroq bir manbadanmi va inson ovozimi, aniqlaydi; ovozli biometrik autentifikatsiyani sintez qilingan nutq orqali chetlab o‘tish xavfini kamaytiradi.
Ilmiy tadqiqot va modellarni baholash: ochiq kodli og‘irliklarga ega eng kuchli aniqlash bazaviy modeli va yagona ekspertiza modeli sifatida tadqiqotchilarga o‘z modellarini VeriSpoof-Bench orqali baholash hamda nazorat qilinadigan taqqoslash tajribalarini o‘tkazish imkonini beradi.