Ast Fakeaudio Detector

🚀 AST 微调用于虚假音频检测

本模型是 MIT/ast-finetuned-audioset-10-10-0.4593 的微调版本，带有二分类头部，用于检测虚假/合成音频。原始的 AST（音频频谱图变换器）分类头被替换为针对虚假音频检测优化的二分类层。

✨ 主要特性

• 模型类型：基于 AST 架构的二分类模型，用于虚假/真实音频检测。
• 输入：转换为梅尔频谱图的音频（128 个梅尔频带，1024 个时间帧）。
• 输出：概率 [虚假概率, 真实概率]。
• 训练硬件：2 块 NVIDIA T4 GPU。

📦 安装指南

文档未提供具体安装步骤，可根据 transformers 库的常规安装方法进行安装，例如使用 pip install transformers。

💻 使用示例

基础用法

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}")

📚 详细文档

模型信息

模型性能

• 任务：音频分类（虚假/真实音频检测）
• 数据集：real-fake-voices-dataset2
• 评估指标结果：
  • 准确率：0.9662
  • F1 分数：0.971
  • 精确率：0.9692
  • 召回率：0.9728

🔧 技术细节

本模型是在预训练的 AST 模型基础上进行微调，将原始的分类头替换为二分类层，以适应虚假音频检测任务。训练过程使用了特定的音频数据集，并在 2 块 NVIDIA T4 GPU 上进行训练。

⚠️ 重要提示

• 本模型仅适用于 16kHz 音频输入。
• 对于训练数据中未出现的不同类型音频处理，模型性能可能会有所不同。
• 模型是在时长为 4 到 10 秒的音频样本上进行训练的。

📄 许可证

本模型使用 Apache-2.0 许可证。