1. 立项原因
SVC 与生成式 AI 快速发展，攻击者仅凭少量公开歌声即可生成模仿歌手音色与风格的 AI 翻唱，造成声音身份冒用、版权收益分流等问题。传统检测与下架均为事后手段，无法阻止模型预先学习歌手身份；现有主动防护多从普通语音迁移，在歌声中易产生失真且经压缩、混响后失效。本作品旨在解决 "歌声发布前无法主动保护声音身份" 的问题，从数据源头降低未经授权克隆的成功率。
2. 行业场景
目标用户包括歌手、配音演员、音乐制作人、唱片机构、短视频创作者和音乐平台，覆盖试听片段公开、样带发送、社媒发布、版权素材分发等场景。业内已有配音从业者因声音被 AI 大量使用而订单下降、真实作品被误判的实际案例。因此声音保护需前移至公开发布之前：权利人保留清洁母带，仅对公开副本施加人耳不可感知、但能误导机器学习的保护信号。
1. 具体功能模块
（1）音频导入与预处理：支持 WAV/MP3/M4A 上传，自动解码为 16kHz 单声道，检查格式、大小（≤50MB）及时长（≤30 秒）；
（2）参数配置：0.1～1.0 连续可调保护强度，37 个匿名目标音色可选；
（3）波形级保护引擎：联合优化说话人相似度、听觉掩蔽与内容保持三目标，生成保护音频；
（4）攻击验证：基于 MaxGAN 执行目标音色转换，形成 "保护 — 攻击 — 对比" 闭环；
（5）结果交互：原音 / 保护 / 转换三路试听、状态提示、WAV 下载。
2. 主要功能描述
系统通过一页式网页工作台接收用户歌声，自动完成检查与预处理后，在本地 GPU 上执行波形级三目标联合对抗优化，在保持歌词与人耳听感的同时降低机器对歌手身份的识别；随后调用 MaxGAN 对保护结果进行歌声转换攻击验证，同一页面提供三路对比试听与下载，实现 "发布前主动保护" 到 "攻击效果验证" 的完整流程。
1. 具体任务
全部工作：包括总体方案设计、波形级对抗保护管线搭建（说话人相似度、听觉掩蔽、内容保持三损失联合优化与在线归一化）、音频预处理链路（torchaudio/librosa/FFmpeg 三级解码回退）、MaxGAN 攻击验证链路（Whisper PPG、torchcrepe F0 提取与转换合成）、网页前后端开发、FastAPI 服务部署及 Windows 离线交付包制作，未依赖其他成员分工。
2. 技术栈、架构与亮点、难点
（1）技术栈与架构："一屏网页 + FastAPI 接口 + 本地 GPU 保护引擎" 三层架构，基于 Python、PyTorch CUDA、FastAPI、Whisper、torchcrepe、MaxGAN，Windows + WSL2 + RTX 2060 本地部署，全局异步锁串行调度 GPU 任务。
（2）亮点：①在线均值方差归一化解决多损失量纲失衡；②保护强度联动扰动预算与迭代次数，连续可控；③"保护 — 攻击 — 对比" 闭环验证；④内置环境与模型、一键启动的离线交付包，数据不出本机。
（3）难点：歌声对听觉透明度要求高，扰动易破坏颤音、气声与谐波结构；压缩、混响等后处理会削弱保护信号；RTX 2060 6GB 显存受限，需串行调度与作业目录容量控制；长音频分块与自动质量评价尚未落地。
评论