arXiv · 机器人与计算机视觉· Carlotta Segna, Joel Tschesche, Anna Rohrbach·· 2026-10-06精选AI 评分78
BabelFake:一种多语言音视频深度伪造基准
BabelFake: A Multilingual Audio-Visual DeepFake Benchmark
AI 导读
作者引入 BabelFake 基准,包含来自 496 名参与者的 39.9 万段视频(1,323 小时),覆盖五种语言。该基准采用模块化生成管线,将 11 种现代视频操纵方法与 4 种语音克隆引擎配对,区分纯视觉与音视频联合操纵。评测显示检测难度取决于生成配对组合,且真实音频保留会导致性能显著下降;跨语言和人群评估揭示了不同架构的敏感性差异,而人类感知真实性与机器检测难度并不一致。
推荐理由
该基准涵盖五种语言及现代音视频合成管线,揭示了检测难度对生成配对的依赖性与跨人群敏感性。
来源:arXiv · 机器人与计算机视觉 · arxiv.org