摘要

本文介绍了一种名为GROOT的新型生成式音频水印方法，旨在通过扩散模型（DMs）主动监管生成的音频内容。随着生成模型如扩散模型的快速发展，区分合成音频与自然音频的任务变得日益困难。GROOT方法通过在音频合成过程中嵌入水印，实现了对合成音频及其源扩散模型的预先监管。该方法利用固定参数的扩散模型和专用编码器，在生成音频的同时嵌入水印，并可通过轻量级解码器检索水印。实验结果显示，GROOT在鲁棒性方面表现出色，尤其在面对复合攻击时，平均水印提取准确率高达95%。

原理

GROOT的工作原理基于生成式音频水印技术，通过在扩散模型中直接生成带有水印的音频来实现。具体来说，GROOT使用一个专门设计的编码器将水印转换为扩散模型可识别的格式，然后通过联合优化与精心设计的损失函数，扩散模型能够直接从输入水印生成带有水印的音频。随后，使用一个精确的解码器从生成的音频中准确提取水印。这种方法的关键在于，训练开销仅限于编码器和解码器，无需复杂的扩散模型再训练，使得该方法具有高度的灵活性和即插即用的特性。

流程

GROOT的工作流程包括三个主要阶段：水印嵌入、音频生成和水印提取。首先，编码器将水印转换为潜在变量，然后与原始音频的潜在变量结合，作为扩散模型的输入。扩散模型通过去噪过程生成带有水印的音频。在提取阶段，解码器从音频中解码出水印。整个过程在训练和推理阶段有所不同，推理阶段直接使用编码器输出的潜在变量作为扩散模型的输入，简化了水印嵌入过程。

应用

GROOT方法的应用前景广泛，特别是在需要对AI生成的音频内容进行版权保护和来源追踪的场景中。由于其高度的鲁棒性和即插即用的特性，GROOT可以轻松集成到任何扩散模型中，适用于各种音频生成任务，如文本到语音合成、音频版权保护等。随着生成式模型的进一步发展，GROOT有望成为音频内容监管和版权保护的重要工具。