DER EINFLUSS VON AUDIO-WASSERZEICHEN AUF AUDIO-ANTI-SPOOFING-GEGENMASSNAHMEN

Dieses Repository bietet die offizielle Implementierung für unser Paper: DER EINFLUSS VON AUDIO-WASSERZEICHEN AUF AUDIO-ANTI-SPOOFING-GEGENMASSNAHMEN . Erkunden Sie die interaktive Demo und Visualisierungen hier.

Was ist enthalten

Watermark-Spoofing Dataset (WSD) — Skripte und Label-Dateien zur Erstellung unserer mit Wasserzeichen versehenen Evaluierungs- und Trainingssätze.
Knowledge-Preserving Watermark Learning (KPWL) — Skripte zur Reproduktion des KPWL-Frameworks und der Experimente.

Watermark-Spoofing Dataset (WSD)

Wir leiten den WSD aus öffentlichen Korpora ab und vergleichen ihn mit den ursprünglichen Datensätzen:

ASVspoof 2019 (LA) — Trainingssplit, der für das Modelltraining verwendet wird. Download: https://datashare.is.ed.ac.uk/handle/10283/3336
ASVspoof 2021 (LA & DF) — wird für die Evaluierung verwendet.

-LA: https://zenodo.org/record/4837263 -DF: https://zenodo.org/record/4835108
In-the-Wild — wird für die Evaluierung verwendet. Download: https://deepfake-total.com/in_the_wild

Typisches Setup: Training auf ASVspoof 2019 LA (train); Evaluierung auf ASVspoof 2021 LA/DF (eval) und In-the-Wild.

Die Daten-generierungs-Utilities befinden sich in data_generation/. Befolgen Sie die README dieses Ordners, um WSD und seine Varianten (gesehene/ungesehene Wasserzeichen-Splits) zu reproduzieren.

Installation (KPWL)

# 1) Clone
git clone https://github.com/Alphawarheads/Watermark_Spoofing.git
cd Watermark_Spoofing

# 2) (Optional) Use the bundled Fairseq snapshot
unzip fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1.zip

# 3) Conda env
conda create -n kpwl python=3.7 -y
conda activate kpwl

# 4) PyTorch (adjust CUDA/ROCm wheels as needed)
pip install torch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1

# 5) Fairseq (editable)
cd fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1
pip install --editable ./
cd ..

# 6) Project requirements
pip install -r requirements.txt

Hinweise: Unsere Hauptexperimente wurden auf 4 GPUs/DCUs trainiert.

Pre-trained wav2vec 2.0 XLS-R (300M)

Laden Sie die XLS-R Gewichte herunter von: https://github.com/pytorch/fairseq/tree/main/examples/wav2vec/xlsr

Evaluierung

Die folgenden Befehle erzeugen drei score.txt Dateien (eine pro Evaluierungssatz). Diese Scores werden später verwendet, um EER (%) zu berechnen.

Tipp: Verwenden Sie immer die vollständigen Flags --eval_track und --eval_output (nicht abkürzen zu --eval).

LA 2021

Original (nicht wassergezeichnet):

TRACK=LA
PROTOCOLS=/public/home/qinxy/.../ASVspoof2021.LA.cm.eval.trl.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/ASVspoof2021/ASVspoof2021_LA_eval/flac/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_ori_LA21.txt
CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_multinodes.py --track="$TRACK" --is_eval --eval \
  --model_path models/model_4dcu_kpwl.pth \
  --protocols_path="$PROTOCOLS" \
  --database_path="$DATABASE_PATH" \
  --eval_output="$EVAL_OUTPUT"

Wasserzeichen-Spoof (Gesehen):

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged/LA21/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase1/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_seen_LA21.txt

Wasserzeichen-Spoof (Ungesehen):

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged_phase2/LA21/split/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase2/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_unseen_LA21.txt

Siehe eval.sh für den vollständigen Satz von Evaluierungsskripten.

Test mit unseren vortrainierten Modellen:

Scores zusammenführen und evaluieren

_wm_ in einem Dateinamen = Scores, die auf wassergezeichnetem Audio erzeugt wurden.
_ori_ in einem Dateinamen = Scores, die auf originalem (nicht wassergezeichnetem) Audio erzeugt wurden.

# If auto_merge_scores is not in the same file, import it:
# from your_module import auto_merge_scores

TRACK = "ITW"     # one of {"LA21", "DF21", "ITW"}
comment = "ori"   # label used in your score filenames

outs = auto_merge_scores(
    track=TRACK,
    score_wm_path=f"/public/.../test2/{comment}_train_eval_wm_SLS_{TRACK}.txt",
    score_ori_path=f"/public/.../test2/{comment}_train_eval_ori_SLS_{TRACK}.txt",
)

print("Output Results:")
for p in outs:
    print(" -", p)

Siehe die README in generate_data/ für Details, wie die Protokolle konstruiert werden.

Training

Baseline-Vortraining (original)

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
  main_multinodes.py \
  --track=DF --lr=0.000001 --batch_size=5 --loss=WCE \
  --num_epochs=50 --comment 4dcu_baseline

KPWL-Feinabstimmung

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_kpwl.py \
  --eval_track=DF --lr=5e-7 --batch_size=5 --num_epochs=2 \
  --model_path best_model.pth \
  --comment model_4dcu_kpwl

Danksagungen & Drittanbieter-Code

Dieses Repository basiert auf und enthält modifizierte Komponenten der folgenden Open-Source-Projekte:

SLSforASVspoof-2021-DF — https://github.com/QiShanZhang/SLSforASVspoof-2021-DF.git

The-A-Files — https://github.com/pawel-kaczmarek/The-A-Files.git

Teile des Codes sind aus diesen Repositories adaptiert. Der gesamte Drittanbieter-Code bleibt unter seinen ursprünglichen Lizenzen; bitte beachten Sie die vorgelagerten LICENSE-Dateien und bewahren Sie alle anwendbaren Urheberrechtshinweise. Falls eine Zuordnung oder Lizenzangabe unvollständig ist, teilen Sie uns dies bitte mit, und wir werden sie umgehend korrigieren.

Kontakt / Zitierung Wenn Sie dieses Repository oder WSD/KPWL in Ihrer Forschung verwenden, zitieren Sie bitte das Papier und verlinken Sie zurück zu diesem Repo.

Watermark_Spoofing

Beliebteste