BR-FVD 技術仕様・利用規約
BR-FVD解析ツール
技術仕様・ご利用規約
当社が独自開発したフェイク音声検出（FVD）システムの構成・入力仕様と、
サービスご利用にあたっての重要事項をご説明します。
ASVspoof 2019 LA ベンチマークにて
EER=4.487%（RawNet2 Official）を達成しています。
ツール構成
FVDシステムは音声から59次元の音響特徴量を抽出し、 機械学習モデルで Real（本物）/ Synthetic（AI合成）を判定します。 訓練用と解析用の2つのGUIツールで構成されます。
FVD Training Tool
Real・Syntheticの音声フォルダを指定し、 特徴量設定とモデル種別をGUI上で選択して 判定モデル（pkl）を訓練・保存します。
- 特徴量グループの個別ON/OFF選択
- モデル種別：Random Forest / SVM / Gradient Boosting
- スコア方式：predict_proba / Platt Scaling / Ensemble 等
- 訓練結果：AUC・EER・Feature Importance をリアルタイム表示
- 設定をJSONファイルに自動保存（再現性確保）
FVD Detection Tool
訓練済みモデル（pkl）をロードし、 音声ファイルの真偽判定から詳細解析・ 可視化まで一括して実行できます。
- Compare Both：2ファイルの個別比較判定
- Batch ROC：複数ファイルのROC-AUC・EER算出
- Feature Importance：判定根拠の特徴量ランキング表示
- Statistical Analysis：統計的差異検定・スペクトル比較
- Threshold Analysis：閾値ベースの詳細分類
- Visualize：Waveform・Mel-Spectrogram可視化と再生
技術仕様
解析エンジンの主要パラメータです。
| 項目 | 仕様・説明 |
|---|---|
| サンプリングレート | 44,100 Hz（全モジュール統一） |
| 特徴量次元数 | 59次元（設定により増減可） |
| 主要特徴量 | MFCC（13次元×mean/std/delta）・Spectral Flatness・Spectral Centroid・ RMS Energy・Jitter・Shimmer・ZCR・Pitch（f0）等 |
| 分類モデル | Random Forest / Gradient Boosting / SVM（GUI上で選択） |
| スコア方式 | predict_proba / Platt Scaling / Cosine+Euclidean距離 / Ensemble（選択式） |
| 評価指標 | ROC-AUC / EER / Optimal Threshold（Youden's J）/ Accuracy / Confusion Matrix |
| 対応音声フォーマット | WAV（推奨・44,100 Hz / モノラル / 16bit）/ MP3 / FLAC 等 |
| 検証済み性能（日本語） | 7話者 / ROC-AUC = 1.000、EER = 0.3%（訓練話者同一条件） |
| 検証済み性能（英語） | ASVspoof 2019 LA 評価セット（71,237件） RawNet2 Official: EER = 4.487%、min t-DCF = 0.12352 世界標準ベースライン（LFCC+GMM EER≈8%）を大幅に上回る |
| 深層学習モデル | RawNet2 Official（Tak et al., ICASSP 2021） SincConv + Channel Attention + ResBlocks×6 + GRU×3 + SWA 可視化: Mel Spectrogram × Occlusion Sensitivity（4パネル） |
| 動作環境 | Python 3.10 / Windows 10以降 / Anaconda環境 GPU: NVIDIA RTX 5070 推奨（CUDA 12.8） |
訓練データの入力仕様
FVD Training Tool に必要なデータと推奨条件です。
Real音声
フォルダ
本物の声の
WAVファイル群
Synthetic音声
フォルダ
AI合成音声の
WAVファイル群
出力先
フォルダ
pkl・CSV・
レポートの保存先
モデル設定
選択
GUI上で特徴量・
モデルを指定
推奨録音・ファイル条件
- フォーマット：WAV / 44,100 Hz / モノラル / 16bit （audio_preprocessor.py で自動変換可）
- 音声の長さ：1.5秒以上。推奨は3〜8秒（1〜2文程度の自然な発話）
- 発話内容：日常会話・読み上げ文など自然な発話。 「ああああ」等、極端に偏った音韻構成は避ける
- 話者構成：男女複数話者で訓練することで汎用モデルの精度が向上する
- データ数：Real / Synthetic 各クラス最低50件、推奨150件以上/クラス
- Synthetic音声の作成：対象話者のReal音声を speaker_wav に指定し BR-TTS NNW（XTTS v2）で合成する
FVD訓練の目的では、録音内容のテキスト保存は不要です。
本システムは「何を言ったか」ではなく「声がどう鳴っているか」
— Jitter・Shimmer・Spectral Flatness 等の音響特徴 — を解析するためです。
将来的な話者認証・ASR（音声認識）との統合を考慮する場合は、
音声ファイルと対応テキストの管理表（CSV）を作成しておくことを推奨します。
ご利用にあたっての重要事項
本サービスをご利用いただく前に、以下の内容をご確認ください。
- 判定結果は音響統計モデルに基づく参考情報です
- 法的証拠能力を保証するものではありません
- 未知のTTSエンジンや後処理音声では精度が変動する場合があります
- 最終判断はご依頼者様の責任において行ってください
- 送付いただいたデータは解析目的のみに使用します
- 解析完了後、お客様の音声データは安全に削除します
- 音声データに含まれる個人情報は第三者に提供しません
- 機密データについてはNDA締結に対応します
- 音声真偽確認を目的とした正当な用途にのみご利用ください
- 第三者の権利を侵害する目的での利用は固くお断りします
- 判定結果を根拠のない誹謗中傷・風評被害に用いることを禁止します
- メディア・報告書等への掲載時は「BR SYSTEMS VoiceGuard Analytics による音響解析結果」と出典を明記してください
- 「100%検出可能」等、精度の誇大表現はお控えください
- 競合他社との根拠のない比較表現はご遠慮ください
使用ライブラリとライセンス
本システムは以下のオープンソースライブラリを使用しています。 いずれも商用利用可能なライセンスです。
上記ライブラリはいずれも商用サービスへの組み込みが許可されたライセンスです。 ISC・MIT・BSD・PSFライセンスは著作権表示を維持した上で自由に利用できます。
品質向上への取り組み
当社は音声偽造検出の世界標準ベンチマーク ASVspoof 2019 LA での 継続的な性能検証を実施しています。 公式 RawNet2 実装（Tak et al., ICASSP 2021）を用いた最新の検証では、 評価セット（71,237件）において EER = 4.487%、min t-DCF = 0.12352 を達成しました。 これは世界標準ベースライン（LFCC+GMM EER≈8%）を大幅に上回る結果であり、 現在国際学術誌（IEEE Access）への論文投稿を準備中です。
AI音声合成技術は急速に進化しており、検出技術もそれに対応し続ける必要があります。 当社は新たなTTSエンジンや音声変換技術の動向を常に把握し、 訓練データの拡充・モデルの更新を継続することで、 実用的な検出精度の維持・向上を図っています。 次のステップとして AASIST（Graph Attention Network）の導入を検討中です。