Decay-Region Group Delay as a Forensic Cue for AI-Generated Impulsive Sounds

Работа ищет следы синтеза не в амплитудном спектре, а в фазовой структуре затухания ударных звуков: взрывов, хлопков и столкновений. Групповая задержка особенно интересна здесь потому, что генератор может правдоподобно воспроизвести атаку и спектральную огибающую, но хуже согласует поздние отражения и фазу между частотными полосами.

Метод. Для каждого трёхсекундного отрывка 16 кГц авторы разворачивают фазу STFT, берут её конечную разность по частоте, ограничивают задержку диапазоном ±500 отсчётов и переводят карту в 128 мел-полос размером 128 × 188. Проверяются как девять интерпретируемых статистик с Random Forest, так и ResNet, EfficientNet, CNN14 и AST, обученные только по картам групповой задержки. Корпус содержит 15 000 примеров поровну из FSD50K/SESA и ElevenLabs/Stable Audio/AudioLDM2.

Результаты. Расхождение распределений реальных и синтетических данных по KL равно лишь 0,022 в области атаки, но 0,322 в области затухания. Одна межполосная мера даёт AUC 0,720, девять статистик — 0,884, а CNN14 на обычном разделении достигает точности 94,20%. Результат сохраняется при 27 настройках STFT: AUC леса лежит от 0,700 до 0,847 со стандартным отклонением 0,035.

Ограничения. Все звуки импульсные, длина фиксирована, а генераторов всего три. Реальные источники различимы между собой с AUC 0,737, поэтому часть сигнала может отражать происхождение набора. При исключении целого генератора качество резко меняется; устойчивость к перекодированию, фазовому возмущению и новым типам звука не проверена.

Фишка из статьи. Исключение одного генератора раскрывает более важный результат, чем высокая точность случайного разделения: фазовый след не универсален. AudioLDM2 переносится особенно плохо, причём CNN14 оказывается ниже случайного уровня, тогда как простой набор статистик хотя бы не переобучается столь резко.

Как это читать: стандартное смешанное разделение завышает ощущение готовности детектора. Полезный вывод статьи — область затухания действительно несёт фазовый признак, но его форма зависит от генератора, поэтому для практической проверки нужны разнообразные неизвестные системы и калибровка по источникам.