CD-ADD

CD-ADD（跨领域音频深度伪造检测）是一个专为语音反欺骗和合成语音检测任务设计的基准数据集。该数据集将真实的人类语音与五种先进的零样本文本转语音系统（OpenVoice、VALL-E、WhisperSpeech、YourTTS、Seamless）生成的深度伪造语音进行配对。数据来源于LibriTTS的test-clean子集以及CD-ADD发布的所有TED演讲内容。核心任务为二分类：区分真实语音（bonafide）与伪造语音（spoof）。数据集包含20,786个音频样本，其中3,661个为真实样本，17,125个为伪造样本，总时长约58.4小时。每个样本包含以下字段：音频路径（path）、16 kHz单声道音频数据（audio）、分类标签（label，0为真实，1为伪造）以及包含唯一话语ID、数据来源（libritts/ted）、生成系统、说话人ID和可用文本转录等元数据的JSON字符串（notes）。数据集采用Creative Commons Attribution 4.0 International (CC BY 4.0) 许可证，音频以无损FLAC格式编码。主要评估指标为等错误率（EER）。

CD-ADD (Cross-Domain Audio Deepfake Detection) is a benchmark dataset designed for speech anti-spoofing and synthetic speech detection tasks. It pairs genuine human speech with deepfake speech generated by five advanced zero-shot text-to-speech systems (OpenVoice, VALL-E, WhisperSpeech, YourTTS, Seamless). The data sources include the test-clean subset of LibriTTS and all TED talk content released by CD-ADD. The core task is binary classification: distinguishing between bonafide (real) speech and spoof (fake) speech. The dataset contains 20,786 audio samples, with 3,661 being genuine and 17,125 being fake, totaling approximately 58.4 hours. Each sample includes the following fields: audio path (path), 16 kHz mono-channel audio data (audio), classification label (label, where 0 is genuine and 1 is fake), and a JSON string (notes) containing metadata such as unique utterance ID, data source (libritts/ted), generation system, speaker ID, and available text transcription. The dataset is licensed under the Creative Commons Attribution 4.0 International (CC BY 4.0) license, with audio encoded in lossless FLAC format. The primary evaluation metric is the Equal Error Rate (EER).

原始信息汇总

数据集名称

CD-ADD（Cross-Domain Audio Deepfake Detection）

许可协议

Creative Commons Attribution 4.0 International (CC BY 4.0)

语言

英语

任务类别

音频分类（二分类：真实语音 vs. 伪造语音）

数据集规模

样本总数：20,786（训练/测试未明确，提供 test 拆分）

• bonafide（真实）：3,661 条
• spoof（伪造）：17,125 条
• 总时长：约 58.4 小时

数据来源与构成

• 源自 CD-ADD 发布版本，包含 LibriTTS test-clean 子集及所有 TED Talks 内容。
• 每个真实语音片段对应至多 5 个由零样本文本转语音（TTS）系统生成的伪造样本。
• 伪造系统包括：OpenVoice、VALL-E、WhisperSpeech、YourTTS、Seamless。
• 所有音频均为原始 16 kHz 单声道信号，无损重新编码为 FLAC（比特精确）。

数据字段

字段	类型	描述
path	字符串	数据集内唯一路径（例如 dataset_LibriTTS/test-clean/2300/131720/2300_131720_000002_000001/valle.wav）
audio	音频（16kHz 单声道）	嵌入的 16 kHz 单声道音频
label	类别标签（bonafide, spoof）	0 = bonafide，1 = spoof
notes	字符串（JSON 格式）	包含唯一 utterance_id、来源（libritts 或 ted）、系统（real/openvoice/valle/whisperSpeech/yourTTS/seamless）、说话者 ID 以及可用时的文本转录

配置与加载

• 配置名称：default
• 数据文件：data/test-*.parquet
• 加载方式： python from datasets import load_dataset ds = load_dataset("SpeechAntiSpoofingBenchmarks/CD-ADD", split="test")

评估指标

主要指标为等错误率（EER，%），值越低越好。具体评估配置参见 eval.yaml 和 submissions/README.md。

引用

原始论文：https://arxiv.org/abs/2404.04904 bibtex @article{li2024crossdomain, title = {Cross-Domain Audio Deepfake Detection: Dataset and Analysis}, author = {Li, Yuang and Zhang, Min and Ren, Mengxin and Ma, Miaomiao and Wei, Daimeng and Yang, Hao}, journal = {arXiv preprint arXiv:2404.04904}, year = {2024} }

维护方

SpeechAntiSpoofingBenchmarks（联系邮箱：[e-mail]）

搜集汇总

数据集介绍

构建方式

CD-ADD数据集由真实人类语音与五种先进零样本文本转语音系统（OpenVoice、VALL-E、WhisperSpeech、YourTTS、Seamless）生成的深度伪造音频配对而成。数据源涵盖LibriTTS的test-clean子集与全部TED演讲内容，每个真实音频片段对应最多五个不同系统生成的伪造样本。原始音频以16kHz单声道FLAC无损格式重新编码，确保位精确采样，并依据来源标注为bonafide或spoof类别。

特点

该数据集包含20,786个音频片段，总时长约58.4小时，其中真实样本3,661个，伪造样本17,125个，呈现显著的不平衡分布。每个样本均提供来源相对路径、嵌入音频及标签信息，notes字段以JSON格式记录唯一话语标识、数据源类型、生成系统名称、说话人ID及文本转录内容。数据集采用标准化格式，可直接加载用于音频分类任务。

使用方法

用户可通过HuggingFace Datasets库快速调用：使用load_dataset函数加载"SpeechAntiSpoofingBenchmarks/CD-ADD"数据集，默认提供test分割。评估阶段可参考配套的eval.yaml配置文件与submissions目录下的提交指南，主要采用等错误率（EER）作为性能度量指标，数值越低表示检测效果越佳。数据集遵循CC BY 4.0许可协议，支持学术研究与开源应用。

背景与挑战

背景概述

随着深度学习驱动的零样本语音合成技术（如OpenVoice、VALL-E、WhisperSpeech等）的飞速发展，合成语音已能以假乱真，对身份验证、司法取证等领域构成严重安全威胁。在此背景下，由Li等人于2024年提出的CD-ADD（Cross-Domain Audio Deepfake Detection）数据集应运而生，旨在为跨域音频深伪检测提供标准化基准。该数据集由SpeechAntiSpoofingBenchmarks团队维护，整合了LibriTTS测试子集与全部TED演讲语料，精心配对了真实语音与五种先进零样本TTS系统生成的深伪样本，形成涵盖多说话人、多领域、多样本的评测集合。CD-ADD的发布填补了跨域音频深伪检测领域缺乏统一大规模基准的空白，显著推动了语音反欺骗与合成语音识别研究的发展，成为该领域最具影响力的基准资源之一。

当前挑战

CD-ADD数据集面临的核心挑战涉及领域问题与构建难度两方面。在领域层面，零样本TTS系统生成的深伪语音具有极高的自然度与多样性，现有检测模型往往在单一域内表现优异，而跨域泛化时性能急剧下降，如何设计鲁棒的算法以应对不同语言、声学环境及说话人差异下的深伪检测，是当前研究的难点。构建过程中，研究团队需从LibriTTS与TED演讲中筛选并配对大量语音样本，确保每个真实语音片段均有多种TTS系统的伪造版本；同时，需统一采样率（16kHz）、编码格式（FLAC）及标注规范，处理因文件损坏导致的失效样本，并保持数据分布均衡，这对数据处理流程的稳健性与自动化水平提出了高要求。

常用场景

经典使用场景

CD-ADD数据集专为语音反欺骗与音频深度伪造检测任务而构建，其经典使用场景聚焦于评估与提升模型在跨域场景下区分真实人类语音与零样本文本转语音合成音频的能力。该数据集汇集了来自LibriTTS测试集与TED演讲的数十小时语音片段，涵盖了OpenVoice、VALL-E、WhisperSpeech、YourTTS及Seamless五种先进零样本TTS系统生成的伪造音频，为研究者提供了丰富且具挑战性的二分类基准。通过统一采样率、编码格式和标签体系，CD-ADD简化了模型训练与评测流程，成为研究音频深度伪造泛化性的重要工具。

解决学术问题

在学术研究层面，CD-ADD着力攻克语音深度伪造检测领域中长期存在的跨域泛化难题。传统检测模型多依赖特定TTS系统或领域数据进行训练，在面对未知生成方式或迥异的语音环境时性能急剧下降。该数据集通过引入域间差异显著的语音来源与多样化的零样本TTS技术，系统性地揭示了现有模型在域转移下的脆弱性，并推动研究者开发域不变、鲁棒性更强的检测特征与架构。其提出的EER评估指标和标准化评测流程，为领域内提供了可复现的公平比较基准，有效促进了音频伪造检测理论的纵深发展。

衍生相关工作

自CD-ADD发布以来，其构建思路与数据资源已衍生出一系列重要的后续工作。研究者基于该数据集提出多种域自适应与域泛化检测框架，如引入对抗训练消除域特定特征、设计注意力机制聚焦于发声伪影、以及利用自监督预训练模型提取通用语音表征等。该数据集还促进了针对零样本TTS系统特有痕跡的细粒度分析研究，催生了融合多级音频特征和时序建模的检测架构。此外，CD-ADD所倡导的基准标准化理念已被后续多个反欺骗数据集采纳，推动领域内形成了统一的评测体系，显著加速了语音深度伪造检测领域从实验研究向实际应用转化的进程。