VeriSpoof-Plus

VeriSpoof-Plus от AustinXiao — открытая аудио-языковая модель на 2.9B параметров: аудиоэнкодер от Qwen3-ASR-1.7B и языковая модель MiniCPM5-2B. Она решает задачи speech deepfake forensics: отличает настоящую речь от поддельной, называет генератор, проверяет общий источник двух записей и распознаёт шум, реверберацию и кодек. Каждое решение модель сопровождает короткими объяснениями, которые можно сверить с аудио.

💡 Ключевые особенности

• 🎯 Один набор весов отвечает на пять вопросов: детекция, идентификация генератора, проверка источника, условия записи и grounded reasoning.
• 🏆 Лучший open-weight детектор на Speech-DF-Arena (2.14% pooled EER, 3-е место из 28) и SpoofRadar v1.0 (4.04%).
• 🔎 Объяснения содержат bandwidth, уровень шума, синтезированный участок и решение — каждую строку можно проверить по аудио.
• 🧩 Ловит частичные подделки: 99.6% на PartialEdit и 97.6% на HAD при использовании reasoning.
• ⚡ Локализация синтеза с разрешением 0.16 с; через vLLM — до 0.05 с на запись при batch 64.

⚙ Пример

from verispoof import VeriSpoof

model = VeriSpoof.from_pretrained("AustinXiao/VeriSpoof-Plus")
print(model.detect("sample.wav"))
r = model.explain("sample.wav")
print(r["decision"], r["spans"])
print(model.same_source("a.wav", "b.wav", level="generator"))

Подробнее

Speech-DF-Arena: pooled EER 2.14%, #3 из 28 систем; SpoofRadar v1.0: 4.04%, лучший open-weight.
Идентификация генератора на MLAAD — 96.8%; same-source EER — 6.17% на невиданных генераторах.
Обучение — около 4.4 млн высказываний; нужен один CUDA GPU примерно на 12 ГБ.
Лицензия весов CC BY-NC 4.0 (некоммерческая); не предназначена как единственная основа для решений о людях.