earticle

영어

With the advent of deep neural networks (DNNs), deepfake techniques have advanced to the point where they can generate voices that are nearly indistinguishable from real ones. This development has led to a variety of social threats, including the spread of misinformation, financial fraud, and phishing, thereby increasing the need for effective countermeasures. Existing studies have largely focused on post hoc responses, primarily through deepfake detection methods. In contrast, this study proposes a preventive defense strategy—Proactive Deepfake Suppression (PDS)—to proactively counter deepfake voice synthesis. The proposed method disrupts speaker information at the audio file level and introduces adversarial perturbations to interfere with deepfake models. Performance was evaluated using subjective assessment metrics, namely NMOS and SMOS. The results demonstrate that the proposed method maintains above-average audio quality while exhibiting strong resistance to deepfake voice synthesis. These findings suggest that the proposed approach could contribute to reducing social threats by suppressing the malicious use of deepfake speech synthesis.

한국어

DNN의 등장으로 발전한 딥페이크 기법은 실제와 구별하기 어려운 음성을 생성한다. 이는 허위 사실 유포, 금융 사기, 피싱 등 다양한 사회적 위협을 초래하고 있으며, 이에 대한 대응이 갈수록 필요해지고 있다. 기존 연구들은 사후적 대응인 딥페이 크 탐지 방법을 제안하고 있다. 이에 본 연구에서는 딥페이크 음성 합성을 사전에 방어하는 예방적 대책으로 PDS 기법을 제 안한다. 본 기법은 오디오 파일 레벨에서 화자 정보를 교란하고 적대적 교란을 삽입하여 딥페이크 모델을 방해하는 것이다. 성능 평가는 주관적 평가 지표인 NMOS와 SMOS를 통해 수행하였으며, 그 결과 평균 이상의 오디오 품질을 유지하면서도 높 은 수준의 딥페이크 음성 합성 저항성을 보여준다. 본 연구 결과는 악의적인 목적으로 생성되는 딥페이크 음성 합성을 억제하 여 사회적 위협 감소에 기여할 수 있을 것으로 기대된다.