ASVspoof의 최고 동일 오류율(EER)은 2019년 0.22%에서 2021년 딥페이크 과제 15.64%로 바뀌었고, 이어 ASVspoof 5의 폐쇄 조건에서는 8.61%가 되었다 (Todisco 외, Interspeech 2019; Yamagishi 외, ASVspoof 2021 워크숍; Wang 외, ASVspoof 워크숍 2024). EER은 받아들여진 위조의 비율과 거부된 진짜 음성의 비율이 같아지는 지점이므로 낮을수록 좋으며, 이렇게 오르는 선은 탐지기가 약해진 것이 아니라 시험이 어려워졌음을 기록한 것이다. 여기서 스푸핑이란 음성 시스템에 위조 음성이나 재생 음성을 들려주어 실제 사람인 것처럼 통과시키는 것을 뜻하며, 그 위협은 측정할 수 있다. 재생 공격만으로도 베이스라인 화자 인증 시스템의 EER이 1.76%에서 31.46%로 치솟았다 (Kinnunen 외, Interspeech 2017). 우리는 ISCA Interspeech와 Odyssey 아카이브, IEEE/ACM TASLP, IEEE T-BIOM, IEEE JSTSP, Computer Speech and Language, 그리고 주최 측 자체의 평가 보고서에서 데이터를 모았다. 같은 문제의 상업적 측면은 저희 음성 생체인식 통계를 참고하세요.
요약
- ASVspoof 2019에는 63개 연구팀이 참가했으며, 이는 시리즈 전체에서 참가의 정점이다 (Todisco 외, Interspeech 2019).
- ASVspoof 5는 이전 회차의 약 100명과 달리 32개의 공격 알고리즘과 약 2,000명의 화자를 사용했다 (Wang 외, Computer Speech and Language 2025).
- ASVspoof 2015의 최고 시스템은 평균 EER이 1.211%였지만, 가장 어려운 단일 공격인 S10에서는 8.49%였다 (Wu 외, IEEE JSTSP 2017).
- 2017년에 재생 공격으로 베이스라인 화자 인증 시스템의 EER이 1.76%에서 31.46%로 올랐다 (Kinnunen 외, Interspeech 2017).
- ASVspoof 2021의 물리 접근(physical access)은 여전히 어려웠으며, 최고 시스템은 24.25% EER과 0.6824 min t-DCF에 도달했다 (Yamagishi 외, ASVspoof 2021 워크숍).
- ASVspoof 5 폐쇄 조건은 8.61% EER로 1위를 차지했고, 최고 베이스라인은 29.12%였다 (Wang 외, ASVspoof 워크숍 2024).
- ASVspoof 2021 딥페이크에서는 33개 시스템 중 23개가 프로그레스 데이터에서 10% 미만 EER을 기록했지만, 평가 데이터에서는 모두 15%를 넘었다 (Liu 외, IEEE/ACM TASLP 2023).
- 2019년 우승한 논리 접근 앙상블은 최고의 단일 시스템보다 t-DCF를 56% 줄였지만, 물리 접근의 개선은 약 2%에 그쳤다 (Nautsch 외, IEEE T-BIOM 2021).
- 최초의 스푸핑 인지 화자 인증 챌린지는 기존 시스템의 EER을 23.83%에서 0.13%로 낮췄다 (Jung 외, Interspeech 2022).
- 대회 이후의 연구는 ASVspoof 2021 논리 접근에서 0.82% EER, 딥페이크에서 2.85%에 도달했다 (Tak 외, Odyssey 2022).
1. 대회 회차와 참가 현황
ASVspoof는 9년 동안 다섯 번 열렸고, 회차마다 서로 다른 약점을 겨냥했다. 2015년 회차는 음성 합성과 음성 변환을 시험했고, 2017년은 재생 공격을, 2019년은 논리 접근(logical access, 위조 음성을 시스템의 오디오 경로에 곧바로 주입하는 방식)과 물리 접근(physical access, 위조 음성을 스피커로 재생해 마이크로 들려주는 방식)으로 분야를 나누었다. 2021년에는 별도의 딥페이크 과제가 이어졌고, ASVspoof 5는 독립 탐지와 스푸핑에 강한 화자 인증으로 나뉘었다.
참가는 2019년에 63개 연구팀으로 정점에 달했고 (Todisco 외, Interspeech 2019), 이후 두 회차에서도 50개를 웃돌았다. 이러한 안정성은 중요하다. 위조 평가 시행은 2015년 184,000건에서 2024년 542,086건으로 늘었는데(섹션 2 참조), 그럼에도 이 분야의 참가는 이어졌다. 더 약한 부분은 공개 여부로, 2021년에 유효한 점수를 낸 54개 팀 중 시스템 설명서를 제출한 팀은 34개뿐이어서 20개 팀(54 빼기 34)은 기록에 설명서가 없다 (Liu 외, IEEE/ACM TASLP 2023).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 2015: 데이터베이스를 요청한 팀 | 16개국 28개 팀 | Wu 외, Interspeech 2015 |
| ASVspoof 2015: 주요 제출물을 낸 팀 | 16 | Wu 외, Interspeech 2015 |
| ASVspoof 2017: 재생 공격 탐지기를 제출한 팀 | 49 | Kinnunen 외, Interspeech 2017 |
| ASVspoof 2019: 전체 연구팀 | 63 (논리 접근 48, 물리 접근 50) | Todisco 외, Interspeech 2019 |
| ASVspoof 2021: 유효한 평가 점수를 낸 팀 | 등록 참가자 72개 중 54 | Liu 외, IEEE/ACM TASLP 2023 |
| ASVspoof 2021: 시스템 설명서를 제출한 팀 | 34 | Liu 외, IEEE/ACM TASLP 2023 |
| ASVspoof 5 (2024): 결과 논문에 등장한 참가 팀 | 53 | Wang 외, IEEE TASLP 2026 |
| SASV 2022, 스푸핑 탐지와 화자 확인을 결합한 부대 챌린지: 등록 대 제출 | 53 대 23 | Jung 외, Interspeech 2022 |
팀 수는 논문에 따라 다르다. 2019년 결과 논문은 62개 팀이라고 하고 2024년 워크숍 논문은 참가자 54개라고 하는데, 이 차이는 데이터 참고 사항에서 다룬다.
2. 100명에서 2,000명으로: 회차별 데이터의 변화
ASVspoof에서 가장 중요한 변화는 모델이 아니라 데이터이다. 이전 데이터베이스는 각각 약 100명의 화자를 담고 있었고, 진짜 음성은 스튜디오 품질의 녹음에서 나왔다. ASVspoof 5는 약 2,000명 화자의 크라우드소싱 음성으로 옮겨 갔으며, 이 음성은 다양한 방에서 다양한 기기로 녹음되었다 (Wang 외, Computer Speech and Language 2025).
이 하나의 결정이 섹션 3에서 보는 더 높은 오류율을 설명하는 데 도움이 된다. 탐지기는 더 이상 하나의 녹음 환경이 어떤 소리인지 학습하는 것만으로 성공할 수 없다. 공격 쪽도 바뀌었다. ASVspoof 5는 처음으로 적대적 공격, 즉 탐지기를 속이도록 특별히 변형된 위조를 추가했고, 압축이 없는 경우부터 신경망 코덱까지 12가지 코덱 조건을 시험했다 (Wang 외, ASVspoof 워크숍 2024).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 2015 평가 세트: 진짜 대 위조 시행 | 9,404 대 184,000 | Wu 외, Interspeech 2015 |
| ASVspoof 2017 평가 세트: 고유한 재생 구성 | 110 | Kinnunen 외, Interspeech 2017 |
| ASVspoof 2019 논리 접근 하위 집합: 발화 총수 | 121,461 | Wang 외, Computer Speech and Language 2020 |
| ASVspoof 2019 물리 접근: 모의 평가 조건 | 243 (방과 거리 27가지 × 재생 유형 9가지) | Wang 외, Computer Speech and Language 2020 |
| ASVspoof 2021 물리 접근 평가: 진짜 대 위조 시행 | 94,068 대 627,264 | Liu 외, IEEE/ACM TASLP 2023 |
| ASVspoof 2021 딥페이크 평가: 진짜 대 위조 시행 | 14,869 대 519,059, 100개가 넘는 공격 알고리즘에서 | Liu 외, IEEE/ACM TASLP 2023 |
| ASVspoof 5 트랙 1 평가: 진짜 대 위조 시행 | 138,688 대 542,086 | Wang 외, IEEE TASLP 2026 |
| ASVspoof 5 평가 공격: 전체와 적대적 공격 | 32개 풀에서 16개 공격, 그중 7개가 적대적 | Wang 외, Computer Speech and Language 2025 |
3. 회차별 대표 EER 결과
이 행들을 하나의 추세선으로 읽는 것은 전형적인 실수이다. 2019년의 0.22% 우승자와 2024년의 8.61% 우승자는 서로 다른 시험을 치렀으며, 주최 측은 각각을 의도적으로 더 어렵게 만들었다. 유용한 비교는 각 행 안에, 즉 최고 팀과 그 팀이 넘어서야 했던 베이스라인 사이에 있다.
그 기준으로 보면 이 분야는 계속 발전하고 있다. ASVspoof 5에서는 폐쇄 조건의 27개 팀이 최고 베이스라인을 넘어섰고 (Wang 외, IEEE TASLP 2026), 최고 시스템의 EER은 그 베이스라인의 3분의 1도 안 됐다. 예외는 2021년의 물리 접근으로, 저널 분석은 이를 세 과제 중 가장 까다로운 것으로 꼽으며 최고 시스템은 24.25%에 묶여 있다 (Yamagishi 외, ASVspoof 2021 워크숍).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 2015 최고 시스템: 알려진 공격, 알려지지 않은 공격, 평균 | 0.408%, 2.013%, 1.211% EER | Wu 외, Interspeech 2015 |
| ASVspoof 2017 최고 재생 공격 탐지기 대 베이스라인 | 6.73% 대 24.77% EER | Kinnunen 외, Interspeech 2017 |
| ASVspoof 2019 최고 대 최고 베이스라인, 논리 접근과 물리 접근 | 0.22% 대 8.09% EER; 0.39% 대 11.04% EER | Todisco 외, Interspeech 2019 |
| ASVspoof 2021 논리 접근 최고 대 최고 베이스라인 | 1.32% 대 9.26% EER | Yamagishi 외, ASVspoof 2021 워크숍 |
| ASVspoof 2021 물리 접근 최고 | 24.25% EER | Yamagishi 외, ASVspoof 2021 워크숍 |
| ASVspoof 2021 딥페이크 과제 최고 대 최고 베이스라인 | 15.64% 대 22.38% EER | Yamagishi 외, ASVspoof 2021 워크숍 |
| ASVspoof 5 트랙 1 최고 폐쇄 조건, 최고 개방 조건, 최고 베이스라인 | 8.61%, 2.59%, 29.12% EER | Wang 외, ASVspoof 워크숍 2024 |
폐쇄 조건은 외부 데이터를 금지하고, 개방 조건은 외부 데이터와 사전 학습된 모델을 허용한다. 같은 해에 매우 다른 두 우승자가 나오는 이유가 여기에 있다.
4. 스푸핑이 화자 인증에 미치는 영향과 가장 어려운 공격
탐지기가 없으면 화자 인증은 거의 저항하지 못한다. 2015년 공격 S10 아래에서는 EER 0.42%의 시스템이 45.79%로 무너졌다 (Wu 외, Interspeech 2015). 이후 회차들도 모든 규모에서 이 양상을 되풀이하며, ASVspoof 5에서는 평가 공격 16개 중 14개가 화자 인증 EER을 20% 넘게 끌어올렸다 (Wang 외, Computer Speech and Language 2025).
더 놀라운 발견은 가장 까다로운 공격자가 누구냐는 점이다. ASVspoof 5의 폐쇄 조건에서는 A19였는데, 이는 녹음된 음성을 이어 붙이는 오래된 연결 합성기 MaryTTS를 기반으로 했으며, 데이터베이스 논문은 과거의 생성 기술과 현대의 생성 기술 모두 여전히 심각한 위협이라고 결론짓는다. 기계와 사람은 실패하는 방식도 다르다. 2019년 공격 A17은 베이스라인 탐지기를 속였지만 사람 청취자는 쉽게 알아챘고, A10은 지각적으로 진짜 음성과 구별되지 않는다고 평가되었다 (Wang 외, Computer Speech and Language 2020). 이 차이의 청취자 쪽은 저희 합성 음성 MOS 통계에서 다룬다.
| 지표 | 값 | 출처 |
|---|---|---|
| 화자 인증 EER, 일반 사칭자 대 공격 S10 (2015년) | 0.42% 대 45.79% | Wu 외, Interspeech 2015 |
| 화자 인증 EER, 일반 사칭자 대 재생 공격 (2017년) | 1.76% 대 31.46% | Kinnunen 외, Interspeech 2017 |
| 화자 인증 EER, 일반 사칭자 대 2019년 최악의 논리 접근 공격 | 2.48% 대 64.52% (공격 A16) | Wang 외, Computer Speech and Language 2020 |
| 기존 ECAPA-TDNN 화자 인증 EER, 스푸핑 없음 대 위조 시행을 추가한 경우 | 1.63% 대 23.83% | Jung 외, Interspeech 2022 |
| ASVspoof 5 화자 인증 EER, 공격 A26 대 같은 공격에 Malacopula 적대적 단계를 더한 것 (A27) | 15.77% 대 34.68% | Wang 외, Computer Speech and Language 2025 |
| ASVspoof 2015 탐지기가 가장 어려운 공격 S10에서 기록한 최고 EER | 8.49% | Wu 외, IEEE JSTSP 2017 |
| ASVspoof 5 베이스라인 탐지기의 A19에서의 EER, RawNet2 대 AASIST | 49.80% 대 63.75% | Wang 외, Computer Speech and Language 2025 |
S10은 2015년 대회 이후에도 끈질겼다. 2015년 회차에 대한 저널 리뷰는 이 공격에 대한 결과가 후속 연구 대부분에서 부진했으며, 1.065%를 기록한 예외가 하나 있었을 뿐이라고 밝혔다.
5. EER 너머: t-DCF, a-DCF와 보정 문제
EER은 사후에 고른 하나의 임계값에서 탐지기 하나만을 기술한다. 2019년 이후 ASVspoof의 대부분 과제는 대신 비용으로 순위가 매겨졌다. 탠덤 탐지 비용 함수(t-DCF)는 함께 작동하는 탐지기와 화자 확인의 비용을, ASV 하한이 있는 척도로 평가한다. 이 하한은 탐지기가 완벽해도 남는 비용으로, 화자 확인 자체가 여전히 실수를 하기 때문이다. 2019년 최고의 논리 접근 시스템은 하한 0.0627에 대해 0.0692에 이르렀고, 이는 탐지기가 낼 수 있는 최선에 가깝다 (Nautsch 외, IEEE T-BIOM 2021).
ASVspoof 5는 다음 문제인 보정(캘리브레이션)을 드러낸다. 이는 시스템의 점수를 고정된 실제 임계값에서 쓸 수 있는지를 묻는다. minDCF는 사후에 고른 최적 임계값에서의 비용이고, actDCF는 실제 배포된 시스템이 사용할 임계값에서의 비용이다. 폐쇄 조건에서 minDCF 우승자는 actDCF에서 0.9956을 기록했지만, 3위 팀은 둘 사이에서 잃은 것이 거의 없었다. 폐쇄 조건 제출 31건 중 11건과 개방 조건 제출 34건 중 14건이 actDCF 정확히 1.0000으로 기재된 것을 확인했다 (Wang 외, ASVspoof 워크숍 2024). 주최 측은 actDCF 값 1.0을 확률과 비슷한 점수와 연결하며, 낮은 minDCF와 높은 actDCF가 하나의 시스템에 공존할 수 있다고 보고, 보정에 민감한 지표를 향후 회차의 주 지표 후보로 제시한다 (Wang 외, IEEE TASLP 2026).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 2019: ASV 하한 대 최고 min t-DCF, 논리 접근과 물리 접근 | 0.0627 대 0.0692; 0.1354 대 0.1437 | Nautsch 외, IEEE T-BIOM 2021 |
| ASVspoof 2021 물리 접근: ASV 하한 대 최고 min t-DCF | 0.12 대 0.6824 | Liu 외, IEEE/ACM TASLP 2023; Yamagishi 외, ASVspoof 2021 워크숍 |
| ASVspoof 5 트랙 1 폐쇄 조건: minDCF 대 actDCF, 1위와 3위 | 0.2436 대 0.9956; 0.2975 대 0.2976 | Wang 외, ASVspoof 워크숍 2024 |
| ASVspoof 5 트랙 2: 최고 폐쇄 조건, 최고 개방 조건, 최고 폐쇄 조건 베이스라인, min a-DCF | 0.2814, 0.0756, 0.5741 | Wang 외, ASVspoof 워크숍 2024 |
a-DCF(아키텍처에 무관한 탐지 비용 함수)는 트랙 2의 주 지표이며, 트랙 2는 탐지기와 화자 확인을 결합한다. t-DCF 값은 논문 간에 비교할 수 없다. 데이터 참고 사항을 참조하라.
6. 무엇이 이기는가: 신경망 모델, 앙상블, 사전 학습된 프런트엔드
이 시리즈는 방법론에 대해 명쾌한 이야기를 들려준다. 2019년에는 신경망이 순위표 상단을 차지했고, 앙상블, 즉 여러 하위 시스템을 결합하는 방식이 이기는 기본 방법이 되었다. 2019년 우승한 논리 접근 앙상블은 t-DCF 기준으로 최고의 단일 시스템보다 56% 좋았지만, 물리 접근의 개선은 약 2%에 그쳤다 (Nautsch 외, IEEE T-BIOM 2021). 물리 접근에서는 최고의 단일 시스템이 이미 섹션 5에서 설명한 ASV 하한에 가까워서, 앙상블이 얻을 것이 별로 남아 있지 않았다.
2024년에는 결정적 요인이 사전 학습된 프런트엔드였다. ASVspoof 5의 상위 제출물은 모두 wav2vec 2.0 또는 WavLM을 사용했다 (Wang 외, IEEE TASLP 2026). 이들은 먼저 대량의 일반 음성으로 학습한 자기 지도 학습 모델이다. 폐쇄 조건에서 개방 조건으로 가며 8.61%에서 2.59%로 낮아진 개선의 상당 부분은 이 모델들과 개방 조건이 허용하는 추가 데이터에서 나왔다. 같은 모델 계열이 일반 음성 과제에서 어떻게 측정되는지는 저희 SUPERB 리더보드 통계에서 다룬다. 이 기법은 2021년 회차 직후 입증되었는데, 하나의 wav2vec 2.0 시스템이 같은 데이터에서 대회의 모든 결과를 능가했다 (Tak 외, Odyssey 2022).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 2019: 신경망을 사용한 상위 시스템과 분류기 앙상블을 사용한 시스템 | 논리 접근 상위 7개와 9개; 물리 접근 상위 6개와 10개 | Todisco 외, Interspeech 2019 |
| ASVspoof 2019: min t-DCF, 최고 단일 시스템 대 최고 앙상블, 논리 접근과 물리 접근 | 0.1562 대 0.0692; 0.1470 대 0.1437 | Nautsch 외, IEEE T-BIOM 2021 |
| ASVspoof 5 트랙 1: 융합된 하위 시스템, 폐쇄 조건 대 개방 조건 | 3 | Wang 외, IEEE TASLP 2026 |
| ASVspoof 5 트랙 1: 상위 개방 시스템 5개 중 사전 학습된 프런트엔드 | wav2vec2-large 3개, WavLM-Base 2개 | Wang 외, IEEE TASLP 2026 |
| ASVspoof 2021 논리 접근에서 대회 후 wav2vec 2.0 시스템, EER과 min t-DCF | 0.82%와 0.2066 | Tak 외, Odyssey 2022 |
| ASVspoof 2021 딥페이크 과제에서 대회 후 wav2vec 2.0 시스템, EER | 2.85% | Tak 외, Odyssey 2022 |
7. 리더보드 이후의 일반화 격차
스푸핑 방지에서 풀리지 않은 문제는 벤치마크 밖에서 무슨 일이 일어나는가이다. 가장 뚜렷한 신호는 대회 안에서 나왔다. ASVspoof 2021 딥페이크에서 33개 시스템 중 23개가 프로그레스 데이터에서 10% 미만 EER을 기록했지만, 그 모든 시스템이 평가 세트에서는 15%를 넘었다 (Liu 외, IEEE/ACM TASLP 2023). 최고 프로그레스 점수는 1% 미만이었으므로, 팀들이 맞춰 학습한 리더보드 피드백은 오해를 낳는 것이었다.
같은 결과는 대회 밖에서도 성립한다. ASVspoof 5 개방 시스템 상위 5개 중 4개를 다른 데이터셋에서 다시 시험했더니, 하나를 제외하고 EER이 10%를 넘었다 (Wang 외, IEEE TASLP 2026). 인터넷에서 수집한 음성에서는 ASVspoof 2019로 학습한 모델이 훨씬 나쁜 성적을 냈고, ASVspoof 데이터를 더 늘려도 도움이 되지 않았다 (Müller 외, Interspeech 2022). 음성 향상에도 비슷한 문제가 있으며, 저희 PESQ와 STOI 벤치마크 통계에 기록되어 있다. 2025년의 프리프린트는 한발 더 나아가, 탐지만으로 중대한 결정을 맡겨서는 안 되며 다층 방어 속의 하나의 신호로 권한다고 주장한다 (Berisha 외, arXiv 2025).
| 지표 | 값 | 출처 |
|---|---|---|
| ASVspoof 5 개방 조건 시스템 T36, T27, T23, T43: ASVspoof 5 트랙 1 하위 집합에서의 EER 대 ASVspoof 2019 논리 접근에서의 EER | 3.37%, 3.30%, 4.23%, 4.33% 대 16.27%, 17.33%, 16.73%, 26.63% | Wang 외, IEEE TASLP 2026 |
| ASVspoof 2019 물리 접근 우승자: 모의 재생에서의 EER 대 비공개 실제 재생에서의 EER | 0.39% 대 19.68% | Nautsch 외, IEEE T-BIOM 2021 |
| ASVspoof 2019 최고 모델 대 실제 환경(in-the-wild) 음성에서의 최고 모델, EER | 약 1.2% 대 약 33.9% | Müller 외, Interspeech 2022 |
| ASVspoof 2019 전체로 다시 학습한 RawNet2: 실제 환경(in-the-wild) 음성에서의 EER | 33.1% ± 0.2 | Müller 외, Interspeech 2022 |
| 다시 구현한 12개 모델의 실제 환경(in-the-wild) 음성에서의 EER 악화 | 약 200%~1000% | Müller 외, Interspeech 2022 |
| WildSpoof 챌린지 팀 T03, 동일 도메인 스푸핑 탐지에서 스스로 보고한 EER | 0.16% | Farhadipour 외, arXiv 2026 |
T03 수치는 한 팀이 스스로 보고한 것이며, 저자들은 ASVspoof 5를 포함한 다른 데이터셋에서의 결과가 도메인 간 일반화가 여전히 어렵다는 것을 보여준다고 말한다. 도메인 내 수치는 계속 떨어지고 있지만 격차는 그대로 열려 있다. WildSpoof는 평가 계획에 ASVspoof 5를 함께 조직한 저자들이 이름을 올렸으며, 음성 합성 트랙과 스푸핑에 강한 화자 인증 트랙을 결합한다 (Farhadipour 외, arXiv 2026).
숫자로 보는 음성 스푸핑 방지 ASVspoof 동일 오류율
| 지표 | 값 | 출처 |
|---|---|---|
| 주요 제출물을 낸 ASVspoof 2015 팀 | 16 | Wu 외, Interspeech 2015 |
| ASVspoof 2017 팀 | 49 | Kinnunen 외, Interspeech 2017 |
| ASVspoof 5 화자 대 이전 회차 | 약 2,000 대 약 100 | Wang 외, Computer Speech and Language 2025 |
| 화자 인증 EER, 일반 사칭자 대 공격 S10 (2015년) | 0.42% 대 45.79% | Wu 외, Interspeech 2015 |
| 화자 인증 EER, 일반 사칭자 대 2019년 최악의 논리 접근 공격 | 2.48% 대 64.52% | Wang 외, Computer Speech and Language 2020 |
| ASVspoof 2015 최고 평균 EER | 1.211% | Wu 외, IEEE JSTSP 2017 |
| ASVspoof 2015 탐지기가 가장 어려운 공격 S10에서 기록한 최고 EER | 8.49% | Wu 외, IEEE JSTSP 2017 |
| ASVspoof 2017 최고 EER | 6.73% | Kinnunen 외, Interspeech 2017 |
| ASVspoof 2019 논리 접근 최고 EER | 0.22% | Todisco 외, Interspeech 2019 |
| ASVspoof 2021 딥페이크 과제 최고 EER | 15.64% | Yamagishi 외, ASVspoof 2021 워크숍 |
| ASVspoof 5 트랙 1 폐쇄 조건 최고 EER | 8.61% | Wang 외, ASVspoof 워크숍 2024 |
| 위조 시행을 포함한 SASV 2022 최고 EER | 0.13% | Jung 외, Interspeech 2022 |
| ASVspoof 2021 논리 접근에서 대회 후 최고 EER | 0.82% | Tak 외, Odyssey 2022 |
| ASVspoof 2021 딥페이크 과제에서 대회 후 최고 EER | 2.85% | Tak 외, Odyssey 2022 |
| ASVspoof 2019 물리 접근 우승자의 비공개 실제 재생에서의 EER | 19.68% | Nautsch 외, IEEE T-BIOM 2021 |
| 실제 환경(in-the-wild) 음성에서의 최고 모델 | 약 33.9% EER | Müller 외, Interspeech 2022 |
방법론과 출처
제3자 요약이 아니라 대회 논문을 직접 읽었다. EER 수치는 행에 달리 적혀 있지 않은 한 평가 세트에서의 백분율이다. 이 대회는 대략 2~3년에 한 번 열리므로 여기 있는 데이터 대부분은 성격상 3년보다 오래되었다. 입수 가능한 가장 최근 데이터: 2024년 회차에 대한 2026년 저널 보고서.
- ASVspoof 공식 사이트: 회차 목록, 일정, 주최 측.
- Wu 외, ASVspoof 2015, Interspeech 2015: 첫 회차, 팀, 시행, 결과.
- Wu 외, IEEE Journal of Selected Topics in Signal Processing 2017: S10 상세와 평가 후 리뷰.
- Kinnunen 외, ASVspoof 2017, Interspeech 2017: 재생 공격 탐지 결과.
- Todisco 외, ASVspoof 2019, Interspeech 2019: 개요와 리더보드.
- Wang 외, ASVspoof 2019 데이터베이스, Computer Speech and Language 2020: 데이터 규모, 공격, 사람 평가.
- Nautsch 외, IEEE Transactions on Biometrics, Behavior, and Identity Science 2021: 개정된 t-DCF, 앙상블, 비공개 실제 재생.
- Yamagishi 외, ASVspoof 2021 워크숍: 2021년의 주요 결과.
- Liu 외, IEEE/ACM Transactions on Audio, Speech, and Language Processing 2023: 2021년 전체 분석.
- Wang 외, ASVspoof 워크숍 2024: ASVspoof 5 결과 표.
- Wang 외, ASVspoof 5 데이터베이스, Computer Speech and Language 2025: 데이터, 공격, 베이스라인 효과.
- Wang 외, IEEE Transactions on Audio, Speech and Language Processing 2026: 대회 후 ASVspoof 5 분석.
- Jung 외, SASV 2022, Interspeech 2022: 스푸핑 인지 화자 인증.
- Tak 외, Odyssey 2022: 대회 후 wav2vec 2.0 결과.
- Müller 외, Interspeech 2022: 실제 환경(in-the-wild) 일반화 시험.
- Berisha 외, arXiv 2025: 프리프린트이며, 우리가 읽은 기록에서는 동료 심사를 거치지 않았다.
- Farhadipour 외, arXiv 2026 및 WildSpoof 평가 계획 2025: 팀 시스템 논문과 챌린지 규칙.
- 데이터 참고 사항: (1) 회차 간 EER은 매번 데이터, 공격, 코덱이 바뀌었기 때문에 추세가 아니다. (2) t-DCF 척도는 서로 다르다. 2019년 개요는 논리 접근 우승자에 0.0069, 물리 접근 우승자에 0.0096을 실었으나, 이후의 T-BIOM 논문은 공식을 개정해 0.0692와 0.1437을 실었고 순위는 본질적으로 유지되었다. 본 글에서는 개정된 값을 사용한다. (3) 팀 수가 엇갈린다. 2019년은 63 대 62, ASVspoof 5는 53 대 54이다. (4) 2021년 워크숍 논문의 본문은 논리 접근 제출 42건과 딥페이크 제출 30건을 제시하지만 표에는 41건과 33건이 있다. 본 글은 저널 논문에서 사용한 33건만 인용한다. 딥페이크 우승 값은 워크숍 논문에서 15.64%, 저널 논문에서 15.63%이다. (5) 2017년 논문은 주요 제출물의 평균 EER을 26.01%와 25.91% 두 가지로 적고 있어 사용하지 않는다. (6) ASVspoof 5 트랙 2 개방 조건의 최고 a-DCF는 2024년 표에서는 0.0756이고 2026년 논문에서는 0.07로 인쇄되어 있다. (7) 섹션 5의 actDCF 건수는 폐쇄 조건의 두 베이스라인을 제외한 2024년 표에 대한 자체 집계이다. (8) ASVspoof 5의 표 값은 2024년 논문에서 읽은 것이며, 많은 팀이 공개 ID 없이 등장한다. (9) Tak 외의 수치는 저자들 자신의 대회 후 결과이며 우리가 재현하지 않았다. (10) 2026년 10월 31일 현재 WildSpoof 최종 결과에 대한 주최 측의 공식 요약도, 공식 사이트에서의 ASVspoof 6 발표도 찾지 못했다.
마지막 업데이트: 2026년 10월 31일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 ASVspoof 주최 측이 다음 회차의 평가 계획을 발표할 때 이루어질 것으로 예상한다.