ToolDF框架：用音频大模型定位混合真实性音频中的伪造片段
研究团队提出ToolDF，将大语言模型作为编排器，对同时包含真实与伪造线索的音频进行成分定位与检测，在混合类型检测上较最强单体基线提升3.72个宏F1点。
AI解读：现有音频深度伪造检测大多把整段音频当作一个整体做二分类，但真实世界的伪造音频往往是"真假混杂"的——比如一段录音前半段是真的、后半段是合成的，或人声与背景音中只有部分被篡改。ToolDF的思路是让音频大语言模型当"总指挥"，先分析场景，再决定要不要做声源分离，把不同成分分给专门的检测专家，最后汇总成带定位信息的结论。它在论文自建的混合真实性基准上，对复合类型检测比最强单体模型高3.72个宏F1点，比固定流程高14.39点。对普通用户来说，这项研究降低了误判整段音频的风险，更适合取证场景；但研究仍处于论文阶段，代码和数据集已公开，实际产品落地还需验证。
来自研究团队的论文《ToolDF: Tool-Integrated Reasoning for Mixed-Authenticity Audio Deepfake Detection》提出一种混合真实性音频深度伪造检测框架，将音频大语言模型作为编排器，通过工具调用实现源分离、专家路由与可解释判定。论文将发表于ACL Findings: EMNLP 2026。
问题定义与框架设计
论文指出，传统音频深度伪造检测通常将整段音频视为单一领域，做片段级二分类。但真实场景中的操作音频常常呈现"混合真实性"——真实与伪造线索在时间转换、重叠声源或两者兼有中共存，这要求模型不仅判断是否伪造，还要定位提供判定证据的成分。
ToolDF以音频大语言模型为编排器，使用监督工具使用轨迹训练。流程包括：自适应分析音频场景、选择性执行源分离、将成分路由至领域专家，再聚合证据形成可解释结论。
基准与结果
研究团队引入了覆盖时间转换、声学重叠和混合形态的混合真实性ADD基准。实验显示，ToolDF在复合类型检测上取得最佳整体表现，宏F1较最强单体基线和固定流程分别提升3.72个和14.39个百分点，同时提供定位到时间区域与声学源的可解释证据。
- 论文作者为Taewoo Kim、Young Han Lee、Nam In Park、Chanwoo Kim，论文编号arXiv:2609.03620，提交于2026年9月3日。
- 源代码和数据集已公开在线上。