Ast Fakeaudio Detector

🚀 AST 偽音声検出用ファインチューニング済みモデル

このモデルは、MIT/ast-finetuned-audioset-10-10-0.4593 をベースに、偽音声/合成音声を検出するためにファインチューニングされた二値分類ヘッド付きのモデルです。元の AST (Audio Spectrogram Transformer) の分類ヘッドは、偽音声検出に最適化された二値分類レイヤーに置き換えられています。

✨ 主な機能

• 音声データを用いた偽音声検出が可能です。
• 高精度な分類性能を持ち、複数の評価指標で良好な結果を示します。

📦 モデル情報

💻 使用例

基本的な使用法

import torch
import torchaudio
import soundfile as sf
import numpy as np
from transformers import AutoFeatureExtractor, AutoModelForAudioClassification

# Load model and move to available device
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_name = "WpythonW/ast-fakeaudio-detector"

extractor = AutoFeatureExtractor.from_pretrained(model_name)
model = AutoModelForAudioClassification.from_pretrained(model_name).to(device)
model.eval()

# Process multiple audio files
audio_files = ["audio1.wav", "audio2.mp3", "audio3.ogg"]
processed_batch = []

for audio_path in audio_files:
    # Load audio file
    audio_data, sr = sf.read(audio_path)
    
    # Convert stereo to mono if needed
    if len(audio_data.shape) > 1 and audio_data.shape[1] > 1:
        audio_data = np.mean(audio_data, axis=1)
    
    # Resample to 16kHz if needed
    if sr != 16000:
        waveform = torch.from_numpy(audio_data).float()
        if len(waveform.shape) == 1:
            waveform = waveform.unsqueeze(0)
        
        resample = torchaudio.transforms.Resample(
            orig_freq=sr, 
            new_freq=16000
        )
        waveform = resample(waveform)
        audio_data = waveform.squeeze().numpy()
    
    processed_batch.append(audio_data)

# Prepare batch input
inputs = extractor(
    processed_batch,
    sampling_rate=16000,
    padding=True,
    return_tensors="pt"
)
inputs = {k: v.to(device) for k, v in inputs.items()}

# Get predictions
with torch.no_grad():
    logits = model(**inputs).logits
    probabilities = torch.nn.functional.softmax(logits, dim=-1)

# Process results
for filename, probs in zip(audio_files, probabilities):
    fake_prob = float(probs[0].cpu())
    real_prob = float(probs[1].cpu())
    prediction = "FAKE" if fake_prob > real_prob else "REAL"
    
    print(f"\nFile: {filename}")
    print(f"Fake probability: {fake_prob:.2%}")
    print(f"Real probability: {real_prob:.2%}")
    print(f"Verdict: {prediction}")

📚 詳細ドキュメント

制限事項

⚠️ 重要提示

このモデルを使用する際の重要な考慮事項は以下の通りです。

1. モデルは16kHzの音声入力で動作します。
2. 学習データに含まれていない異なるタイプの音声操作では、性能が異なる場合があります。
3. モデルは4から10秒の音声サンプルで学習されています。

📄 ライセンス

このモデルは Apache-2.0 ライセンスの下で提供されています。