DeepFake-Audio-Rangers/Arabic_Audio_Deepfake

--- dataset_info: features: - name: audio dtype: audio - name: label dtype: class_label: names: '0': fake '1': real splits: - name: train num_bytes: 1322891516.5301797 num_examples: 15648 - name: test num_bytes: 331978521.95082015 num_examples: 3913 download_size: 1567148799 dataset_size: 1654870038.481 configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* task_categories: - audio-to-audio - audio-classification - automatic-speech-recognition language: - ar tags: - synthetic size_categories: - 10K<n<100K pretty_name: ArAD license: odc-by --- ### ArAD Dataset (Arabic Audio DeepFake Dataset) **Dataset Summary** This dataset contains Arabic deepfake audio samples, focusing mainly on Levantine dialect with some examples in Standard Arabic. It was created using the RVC v2 framework, fine-tuned on a custom dataset of multi-dialect Arabic speech. The goal is to simulate real-world deepfake audio attacks by generating synthetic speech from actual recordings and voice messages. One of the first datasets to include real-world deepfake audio arabic speech. **Dataset Creation** The process involved collecting speech audio for each speaker (with a minimum of 5 minutes per speaker) and training a unique model for each speaker. These models were then used to generate fake audio, ensuring no speaker's model was used to generate their own voice. Speech clips were segmented based on silence and limited to a maximum of 3 seconds in length. **Audio Specifications** - Format: WAV - Sample Rate: 16KHz (resampled from original recordings at various sample rates) - Audio cleaning: Major disturbances were cut, audio was cleaned using Ultimate Vocal Remover or the Adobe Podcast platform. - Resampling: Audio was resampled to 40KHz for model generation, then downsampled to 16KHz using the Librosa Python library. **Intended Use** This dataset is valuable for research in deepfake detection, voice cloning, and related AI tasks. It is a resource for exploring vulnerabilities in voice systems. **Licensing and Citation** This data is made available under the Open Data Commons Attribution License: http://opendatacommons.org/licenses/by/1.0/数据集信息： 特征： - 名称：音频（audio） 数据类型：音频（audio） - 名称：标签（label） 数据类型： 类别标签（class_label）： 类别名称： '0': 伪造（fake） '1': 真实（real） 划分： - 名称：训练集（train） 字节数：1322891516.5301797 样本数：15648 - 名称：测试集（test） 字节数：331978521.95082015 样本数：3913 下载大小：1567148799 数据集总大小：1654870038.481 配置： - 配置名称：默认（default） 数据文件： - 划分：训练集（train） 路径：data/train-* - 划分：测试集（test） 路径：data/test-* 任务类别： - 音频到音频（audio-to-audio） - 音频分类（audio-classification） - 自动语音识别（automatic-speech-recognition） 语言： - 阿拉伯语（ar） 标签： - 合成（synthetic） 样本量类别： - 10K<n<100K 美观名称：ArAD 许可：odc-by（Open Data Commons Attribution License，开放数据共享署名许可） --- ### ArAD数据集（阿拉伯语音频深度伪造数据集） **数据集摘要** 本数据集包含阿拉伯语深度伪造音频样本，主要聚焦黎凡特方言，同时包含部分现代标准阿拉伯语示例。本数据集基于RVC v2框架构建，在多方言阿拉伯语语音自定义数据集上完成微调。其构建目标为通过真实录音与语音消息生成合成语音，模拟现实世界中的深度伪造音频攻击场景。本数据集是首批收录真实世界阿拉伯语深度伪造语音的数据集之一。 **数据集构建流程** 该数据集的构建过程包括：为每位说话人采集语音音频（每位说话人至少5分钟音频素材），并为每位说话人训练专属模型；随后使用这些模型生成伪造音频，且严格避免使用某一说话人的模型生成其自身的语音。语音片段按静音阈值进行分段，且单段最长时长限制为3秒。 **音频规格说明** - 格式：WAV - 采样率：16KHz（从多种原始采样率的录音文件重采样得到） - 音频清理：移除主要干扰信号，通过终极人声移除工具（Ultimate Vocal Remover）或Adobe Podcast平台完成音频降噪与清理。 - 重采样流程：生成模型所用音频先被重采样至40KHz，随后通过Librosa Python库下采样至16KHz。 **预期用途** 本数据集可用于深度伪造检测、语音克隆及相关人工智能任务的研究，是探索语音系统安全脆弱性的宝贵研究资源。 **许可与引用说明** 本数据集基于开放数据共享署名许可（Open Data Commons Attribution License）发布，许可详情链接：http://opendatacommons.org/licenses/by/1.0/

搜集汇总

数据集介绍

构建方式

在阿拉伯语语音安全研究领域，构建具有真实攻击模拟性的深度伪造数据集至关重要。该数据集以黎凡特方言为主，辅以标准阿拉伯语样本，依托RVC v2框架进行构建。首先，为每位说话者收集至少5分钟的语音音频，并训练专属生成模型；随后，利用这些模型生成伪造音频，且严格避免使用说话者自身的模型生成其本人的声音。所有语音片段基于静音检测进行切分，长度限制在3秒以内。音频处理流程包括：采用Ultimate Vocal Remover或Adobe Podcast平台进行噪音清除，将原始音频统一重采样至40KHz用于模型生成，再通过Librosa库降采样至16KHz，最终以WAV格式存储。

特点

该数据集作为首批包含真实世界阿拉伯语深度伪造语音的资源之一，展现出鲜明的领域特色。其核心特点在于模拟现实攻击场景：通过为每位说话者定制独立生成模型，确保伪造音频的多样性与逼真度。数据规模涵盖15,648条训练样本与3,913条测试样本，标签明确分为伪造与真实两类。音频规格统一为16KHz采样率、WAV格式，经专业清洁处理，消除了主要噪声干扰。这些特性使其在阿拉伯语方言覆盖、生成模型独立性以及音频质量标准化方面，为深度伪造检测研究提供了高度仿真的实验基础。

使用方法

该数据集在HuggingFace平台上以标准格式发布，支持直接加载与使用。用户可通过默认配置调用训练集和测试集，数据文件路径为data/train-*与data/test-*。它适用于音频分类、语音识别及音频到音频等任务，尤其聚焦于深度伪造检测与语音克隆研究。使用时，建议结合音频特征提取工具（如Librosa）将16KHz的WAV音频转换为梅尔频谱图或滤波器组特征，再输入分类模型进行训练与评估。数据集遵循ODC-BY许可证，研究人员可在注明出处的前提下自由使用，以探索语音系统中的安全漏洞与防御机制。

背景与挑战

背景概述

随着生成式人工智能技术的迅猛发展，深度伪造音频已成为数字安全领域的一颗暗礁，尤其在阿拉伯语这一资源稀缺的语言中，其威胁尤为隐蔽。在此背景下，DeepFake-Audio-Rangers团队于近期构建了阿拉伯语音频深度伪造数据集（ArAD），聚焦黎凡特方言及部分标准阿拉伯语，旨在模拟真实世界中的音频攻击场景。该数据集依托RVC v2框架，基于多方言阿拉伯语音频定制微调而成，是首批涵盖真实深度伪造阿拉伯语音频的资源之一。其创建过程严谨，为每位说话者收集至少五分钟语音，并单独训练模型生成伪造样本，且确保生成模型不用于原说话者自身语音，从而避免了数据污染。ArAD数据集的出现为阿拉伯语深度伪造检测、语音克隆及人工智能安全研究提供了重要基石，填补了该语言领域数据匮乏的空白，对推动相关领域的安全防护具有深远意义。

当前挑战

该数据集所解决的领域问题在于阿拉伯语深度伪造音频的检测，这面临多重挑战：首先，阿拉伯语本身具有丰富的方言变体和复杂的语音特征，使得伪造音频的识别难度远超英语等高资源语言；其次，真实世界的深度伪造音频常经过噪声、压缩等处理，检测模型需具备强鲁棒性。在构建过程中，挑战同样显著：团队需从零开始收集多方言语音数据，确保每位说话者至少五分钟的纯净录音，这涉及隐私授权和录音环境控制等复杂环节；此外，语音片段需依据静音分割并限制在3秒以内，兼顾了生成效率与真实性，但增加了预处理的技术门槛；音频从原始采样率统一重采样至16KHz，过程中需使用Ultimate Vocal Remover等工具去除干扰，每一步都需精细调校，以保证数据集质量与实用性。

常用场景

经典使用场景

在语音安全与伪造检测领域，DeepFake-Audio-Rangers/Arabic_Audio_Deepfake 数据集以其专注于阿拉伯语黎凡特方言与标准阿拉伯语的合成语音样本，成为评估深伪音频检测算法鲁棒性的经典基准。该数据集通过RVC v2框架在自定义多方言阿拉伯语语音数据上微调生成，模拟真实攻击场景，研究者常利用其二元标签（真实/伪造）训练分类模型，或结合声学特征分析以提升对跨方言、低质量音频的泛化能力。

解决学术问题

该数据集填补了阿拉伯语深伪音频检测领域缺乏真实场景公开资源的空白，解决了跨方言伪造语音与真实录音在声纹、韵律及频谱特征上难以区分的学术难题。通过提供经过语音活动检测及噪声清洗的高质量WAV样本（16kHz采样率），它使研究者能够系统探究生成式模型（如RVC v2）造成的声学伪影，推动对抗性检测方法的发展，并为低资源语言下的语音取证研究奠定数据基础。

衍生相关工作

基于该数据集，研究者已衍生出多项经典工作，包括但不限于：利用时频域特征（如梅尔频谱图与线性预测系数）结合轻量级卷积神经网络实现高效检测；探索自监督预训练模型（如Wav2Vec 2.0）在低资源阿拉伯语深伪场景下的迁移学习效果；以及对比不同生成框架（如RVC v2与WaveGAN）留下的数字痕迹，提出多模态融合检测框架。这些工作进一步拓展了该数据集在语音安全、对抗样本生成与可解释性研究中的影响力。