SecureSpectra: Safeguarding Digital Identity from Deep Fake Threats via Intelligent Signatures

深度伪造（DF）音频模型的进步对语音认证系统构成了重大威胁，可能导致未经授权的访问和错误信息的传播。我们引入了一种防御机制——SecureSpectra，通过在音频中嵌入正交、不可逆的签名来应对DF威胁。SecureSpectra利用DF模型无法复制高频内容的特点，我们在不同的数据集和DF模型上进行了实证研究。将差分隐私集成到管道中可以保护签名免受逆向工程的攻击，并在增强安全性和最小性能损失之间取得微妙的平衡。我们在Mozilla Common Voice、LibriSpeech和VoxCeleb数据集上的评估展示了SecureSpectra卓越的性能，检测准确性超过最近的研究高达71%。我们开源SecureSpectra，以造福研究社区。

SecureSpectra论文试图解决DeepFake音频模型对声音认证系统的威胁问题，防止未经授权的访问和虚假信息的传播。

SecureSpectra通过在音频中嵌入正交不可逆的签名来解决DF威胁，利用DF模型无法复制高频内容的特点，通过差分隐私保护签名免受反向工程攻击，实现安全性和性能之间的平衡。

论文在Mozilla Common Voice、LibriSpeech和VoxCeleb数据集上进行了评估，展示了SecureSpectra在检测准确性方面的优越表现，比最近的相关工作提高了高达71%。SecureSpectra的开源代码有助于研究社区的进一步研究。

近期的相关研究包括：'DeepSpectrum: Towards robust and large-scale audio adversarial examples'、'Adversarial Attacks and Defenses in Images, Graphs and Text: A Review'、'A Survey on Deep Learning in Speech Synthesis'等。