XMAD

XMAD-Bench（跨领域多语言音频深度伪造基准）是一个大规模、平衡、多语言的音频反欺骗基准测试数据集，旨在评估模型在跨领域和跨语言场景下的音频深度伪造检测泛化能力。数据内容为二分类任务，区分真实的人类录音（bonafide）与合成或转换的伪造语音（spoof）。数据集总计包含368,085个音频样本，其中160,656个为真实样本，207,429个为伪造样本。数据覆盖7种语言：阿拉伯语（ar）、德语（de）、英语（en）、西班牙语（es）、罗马尼亚语（ro）、俄语（ru）和中文（zh）。音频数据来源于多个公开语音语料库，包括Common Voice、MASC、M-AILABS、VoxPopuli和AISHELL-3，这种多源构成旨在对模型的跨领域泛化能力形成压力测试。数据集中包含14个子集，其中9个子集同时包含真实和伪造两类样本，而5个来自M-AILABS和MASC的子集在此版本中仅包含伪造音频。每个数据样本包含以下字段：`path`（源相对路径）、`audio`（16 kHz单声道WAV格式的音频数据）、`label`（分类标签，bonafide 或 spoof）、`notes`（一个JSON字符串，包含话语ID、语言、语料库、说话人ID、攻击方法和数据划分等元信息）。该数据集适用于音频分类任务，特别是音频深度伪造检测和反欺骗研究。

XMAD-Bench (Cross-domain Multilingual Audio Deepfake Benchmark) is a large-scale, balanced, multilingual audio anti-spoofing benchmark dataset designed to evaluate the generalization capabilities of models in cross-domain and cross-language scenarios for audio deepfake detection. The data content is a binary classification task, distinguishing between genuine human recordings (bonafide) and synthetic or converted fake speech (spoof). The dataset contains a total of 368,085 audio samples, with 160,656 being genuine samples and 207,429 being fake samples. It covers 7 languages: Arabic (ar), German (de), English (en), Spanish (es), Romanian (ro), Russian (ru), and Chinese (zh). The audio data is sourced from multiple public speech corpora, including Common Voice, MASC, M-AILABS, VoxPopuli, and AISHELL-3, with this multi-source composition aimed at stress-testing models cross-domain generalization abilities. The dataset includes 14 subsets, of which 9 subsets contain both genuine and fake samples, while 5 subsets from M-AILABS and MASC contain only fake audio in this version. Each data sample includes the following fields: `path` (source relative path), `audio` (audio data in 16 kHz mono WAV format), `label` (classification label, bonafide or spoof), and `notes` (a JSON string containing metadata such as utterance ID, language, corpus, speaker ID, attack method, and data split). This dataset is suitable for audio classification tasks, particularly for audio deepfake detection and anti-spoofing research.

原始信息汇总

数据集概述：XMAD-Bench — 跨领域多语言音频深度伪造基准

许可证：CC BY-NC-SA 4.0（非商业用途，需署名且以相同方式共享）

语言：阿拉伯语 (ar)、德语 (de)、英语 (en)、西班牙语 (es)、罗马尼亚语 (ro)、俄语 (ru)、中文 (zh)

任务类别：音频分类（二分类任务：真实人声 vs 合成/转换语音）

数据集大小：约 368,085 条样本（100K < n < 1M）

标签：is_fake 字段（0 → 真实 real/，1 → 伪造 fake/）

---

数据构成

• 总样本数：368,085
  • 真实（Bonafide）：160,656
  • 伪造（Spoof）：207,429
• 子集数量：14 个（其中 9 个包含两类样本，5 个仅含伪造样本）
• 采样率：16 kHz 单声道 WAV

数据来源语料库

语言	来源语料库
阿拉伯语 (ar)	Common Voice, MASC
德语 (de)	Common Voice, M-AILABS
英语 (en)	Common Voice, M-AILABS
西班牙语 (es)	Common Voice, M-AILABS
罗马尼亚语 (ro)	Common Voice, VoxPopuli
俄语 (ru)	Common Voice, M-AILABS
中文 (zh)	AISHELL-3, Common Voice

注意：M-AILABS（de/en/es/ru）和 MASC（ar）子集仅提供伪造音频，对应真实音频行已被移除（共 46,773 行缺失）。

---

数据模式（Schema）

列名	类型	描述
path	string	源相对路径，唯一标识（例如 en/commonvoice-en/fake/common_voice_en_100179.wav）
audio	Audio(16000)	16 kHz 单声道 WAV 音频
label	ClassLabel	"bonafide" (0) 或 "spoof" (1)
notes	string	JSON 格式，包含 utterance_id、language、corpus、speaker_id、attack、split

notes 示例： json {"utterance_id": "en__commonvoice-en__fake__common_voice_en_100179", "language": "en", "corpus": "commonvoice-en", "speaker_id": "...", "attack": "xtts_v2", "split": "val"}

utterance_id 格式为 <lang>__<corpus>__<real|fake>__<filename-stem>，确保全局唯一。

---

论文与引用

• 论文：XMAD-Bench: Cross-Domain Multilingual Audio Deepfake Benchmark，arXiv 2506.00462
• 论文链接：https://arxiv.org/abs/2506.00462
• 引用格式： bibtex @article{xmadbench2025, title = {{XMAD-Bench: Cross-Domain Multilingual Audio Deepfake Benchmark}}, journal = {arXiv preprint arXiv:2506.00462}, year = {2025}, }

---

快速使用

python from datasets import load_dataset

ds = load_dataset("SpeechAntiSpoofingBenchmarks/XMAD", split="test") print(ds[0])

---

维护者

• 维护人：Kirill Borodin (SpeechAntiSpoofingBenchmarks)
• 邮箱：[e-mail] （旧邮箱已弃用）
• Telegram：@korallll_ai

---

评估与提交

评估说明和提交格式请参考数据集中的 submissions/README.md 文件。

搜集汇总

数据集介绍

构建方式

XMAD数据集的构建根植于对跨语言与跨领域音频深度伪造检测需求的深刻洞察。研究团队从Common Voice、MASC、M-AILABS、VoxPopuli和AISHELL-3等多个公开语料库中精心采集音频样本，覆盖阿拉伯语、德语、英语、西班牙语、罗马尼亚语、俄语和中文七种语言。数据集以二分类任务为核心，将所有音频划分为真实人声（bonafide）与伪造语音（spoof）两类，其中伪造样本涵盖多种合成与转换攻击技术。值得注意的是，部分语料子集因原始真实音频文件未随发布版本分发，仅保留了伪造样本，最终形成160,656条真实样本与207,429条伪造样本的均衡分布。所有音频均以16 kHz单声道WAV格式无损嵌入，确保数据的原始保真度。

使用方法

使用XMAD数据集开展研究极为便捷，研究者可直接通过Hugging Face的datasets库加载数据。仅需一行Python代码——load_dataset('SpeechAntiSpoofingBenchmarks/XMAD', split='test')，即可获取完整测试集，其中每条样本包含音频路径、16 kHz的音频张量、标签（真实或伪造）以及详细的元信息。数据集预定义为二分类任务，标签0代表真实人声，1代表伪造语音，可以直接用于评估音频伪造检测模型的性能。对于希望提交结果参与官方排行的研究者，可参照submissions目录下的README文档进行格式化输出。该数据集的流式加载特性也便于处理大规模音频内容，降低内存开销。

背景与挑战

背景概述

随着语音合成与转换技术的飞速发展，音频深度伪造（audio deepfake）对语音身份验证、司法取证及公共安全等领域构成了严峻威胁。现有反欺骗（anti-spoofing）基准数据集大多局限于单一语言或有限领域，难以评估检测模型在跨语言与跨数据源场景下的泛化能力。为此，由Kirill Borodin等研究人员于2025年创建的XMAD-Bench（Cross-Domain Multilingual Audio Deepfake Benchmark）数据集应运而生。该数据集整合了Common Voice、M-AILABS、VoxPopuli、AISHELL-3及MASC等多个源语料库，覆盖阿拉伯语、德语、英语、西班牙语、罗马尼亚语、俄语和中文七种语言，总计368,085条音频样本，并发布了配套arXiv论文（2506.00462）。XMAD-Bench的提出填补了多语言、跨领域音频深度伪造检测评估的空白，为通用鲁棒检测系统的研究提供了标准化评测平台。

当前挑战

XMAD-Bench所解决的领域核心挑战在于：现有音频反欺骗系统在面向未见过的语言、伪造算法及录音环境时性能急剧下降，跨域泛化能力薄弱，亟需一个覆盖多语言、多源域的大规模基准来推动模型设计创新。在数据集构建过程中，研究人员面临多重实际困难：首先，不同源语料库采用各异的录音条件、采样率和编码格式，需统一为16 kHz单声道WAV格式并保证比特级无损，涉及大量预处理验证；其次，部分子集（如M-AILABS各语言子集及MASC）仅提供伪造音频，缺少对应真实样本，导致数据分布严重不平衡（真实160,656条，伪造207,429条），需在保持基准可用性的前提下合理剔除缺失行；此外，确保跨语料库、跨语言的伪造方法标注一致性及语音标识唯一性，亦增加了数据整理与质量控制的复杂度。

常用场景

经典使用场景

XMAD数据集作为跨领域多语种音频深度伪造检测的标准基准，其经典使用场景集中在评估反欺骗模型在多样化的语言和声学条件下的泛化能力。该数据集覆盖阿拉伯语、德语、英语、西班牙语、罗马尼亚语、俄语和中文七种语言，音频样本源自Common Voice、M-AILABS、VoxPopuli、AISHELL-3等多个语料库，囊括从真实人类录音到多种语音合成与转换技术生成的伪造音频。研究者常利用其平衡的二分类标签（真实与伪造）来训练和测试分类器，特别关注模型在未见过的语言、说话人或攻击手段上的表现，以此检验算法在真实世界多语言环境中的鲁棒性。

解决学术问题

XMAD数据集着力解决音频深度伪造检测领域长期存在的跨领域泛化能力不足这一核心学术问题。此前大多检测基准局限于单一语言或受控声学条件，导致模型在实际部署时性能急剧下降。该数据集通过整合多来源语料库与多种伪造技术，系统性地剖析了语言多样性、录制环境差异以及攻击方式的多样性对检测器的影响。其发布推动了学术界对模型在跨数据集、跨语言和跨攻击类型场景下表现的系统性评估，为发展更加稳健、具有更强迁移能力的反欺骗算法奠定了实验基础，并促进了标准化评估流程的建立。

实际应用

在实际应用层面，XMAD数据集主要服务于电话银行、智能语音助手、语音生物特征认证及多语言媒体内容审核等安全关键领域。随着语音合成技术日益成熟，利用深度伪造音频进行的诈骗和身份冒充案件频发，XMAD能够帮助开发和验证在实际多语言用户群体中运行的检测系统。例如，国际金融客服系统可利用基于该数据集训练的模型实时识别伪造语音指令，不同语种的社交媒体平台则能借助其筛选合成音频内容，从而有效降低虚假信息传播风险，保障用户资产与隐私安全。

数据集最近研究

最新研究方向

XMAD-Bench作为跨领域多语言音频深度伪造检测的前沿基准，聚焦于评估模型在阿拉伯语、德语、英语等7种语言及多源语料库上的泛化能力。该研究紧跟合成语音技术滥用引发的安全危机，通过平衡的真实与伪造音频样本（涵盖机械语音合成、语音转换等多种攻击手段），为学术界和工业界构建了首个统一且严格的鲁棒性测试平台。其重要意义在于揭示当前检测系统在跨语言、跨领域场景下的脆弱性，推动可实际部署的通用反欺骗技术发展。