NeurIPS论文提出合成语音溯源审计协议
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Sidi Chang等人提出合成语音研究对象的生成溯源基底，将源规范、生成内容、音频、目标及质量信号等绑定至不可变清单。在日本护理交接管线中审计该基底，113个资产含1.552小时语音，跨6场景。发现因生成器别名浮动、缺TTS与代码时间戳等，精确上游归因受阻。论文指出生成溯源是行为归因必要非充分条件，定义了候选因果图，贡献溯源契约、审计协议及受限案例研究，已被NeurIPS数据归因研讨会接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载生成溯源基底设计
为解决将模型行为归因于合成训练数据的问题，作者提出一种生成溯源基底。该基底将合成研究对象的源规范、生成内容、波形、目标、事实要求、质量信号、审查谱系及不可变清单身份进行绑定。在此框架中，生产者与选择机制决定证据意义，存储位置与变量名则不具备该功能。这为后续行为归因提供了基础的溯源知识保障。
管线审计与归因阻碍
研究在一个私有日本护理交接管线中对上述基底进行审计。审查群体包含113个资产，涵盖1.552小时合成语音，分布于6个场景族。所有项目均链接音频、转录、候选笔记与事实清单，但人类证据具选择性且依赖特定来源。审计发现，仅两个仅含忠实内容的清单实现场景种子不相交与不可变版本化。精确上游归因仍被浮动生成器别名、缺失逐片段TTS及代码时间戳、未版本化检查提示所阻碍。
归因条件与论文贡献
作者论证生成溯源是行为归因的必要非充分条件：它定义候选因果图与审计单元，而贡献归因仍需冻结训练运行及干预或影响证据。论文贡献包括紧凑溯源契约、审计协议及有界案例研究。该研究不声称因果训练数据归因、临床有效性或无限制公开发布，受控研究访问可向作者请求。论文已被第三届NeurIPS大规模模型行为归因研讨会接收。
为什么值得看
针对合成数据训练模型的行为归因难题，提出溯源审计框架并揭示当前管线阻碍精确归因的具体技术缺失。
语音论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。