第三十二届国际多媒体会议（ACM International Conference on Multimedia, ACM MM）将于2024年10月28日-11月1日在澳大利亚墨尔本召开。智能科学与工程学院胡涛教授团队的一篇长文被录用，论文题目为“Audio Deepfake Detection with Self-Supervised XLS-R and SLS Classifier”，胡涛教授为论文通信作者，第一作者为2022级信息安全专业硕士生张齐山，第二作者为2023级应用数学专业硕士生文双兵，湖北民族大学为唯一单位。ACM MM是国际多媒体领域最重要的顶级会议，被中国计算机学会CCF推荐为A类的国际学术会议，是多媒体领域国际首屈一指的盛会，旨在展示多媒体领域的科学成就和创新工业产品。本次会议共收到4385篇有效投稿，最终录用1149篇，录用率为26.20%。

生成式人工智能技术，包括文本到语音（TTS）和语音转换（VC），经常与真实样本无法区分，这给个人区分真实和合成内容带来了挑战。这种不可区分性破坏了人们对媒体的信任，任意克隆个人语音信号对隐私和安全构成了重大挑战。在Deepfake音频检测领域，目前实现更高检测精度的大多数模型都采用自监督预训练模型。然而，随着Deepfake音频生成算法的不断发展，保持对新算法的高分辨精度变得越来越具有挑战性。为了提高Deepfake音频特征的灵敏度，项目组提出了一种包含SLS（敏感层选择）模块的Deepfake语音检测模型。具体来说，利用预训练的XLS-R使本模型能够从其各个层中提取不同的音频特征，每个层都提供不同的判别信息。利用SLS分类器，提出的模型能够捕获不同层次音频特征的敏感上下文信息，并有效地将这些信息用于伪音频检测。实验结果表明，本方法在ASVspoof 2021 DF和In the Wild数据集上都达到了最先进的（SOTA）性能，在ASVspoof 2021 DF数据集上的等错率（EER）为1.92%，在In the Wilds数据集上为7.46%。

图1 提出模型的整体框架

胡涛教授团队长期从事人工智能安全方向的研究工作，这是湖北民族大学作为唯一单位的第一篇CCF A类会议论文，也是湖北民族大学在人工智能安全领域的突破。该成果受到湖北省自然科学基金联合基金(2023AFD061)和湖北民族大学高水平科研成果校内培育项目(PY22011)支持。