融合语音特征与语义特征的 AI 生成文本检测研究

融合语音特征与语义特征的 AI 生成文本检测研究

摘要

随着大型语言模型（LLMs）的广泛应用，AI生成文本的泛滥对信息安全、学术诚信和内容生态构成了严峻挑战。现有检测方法多集中于语义层面的统计分析，忽略了文本在潜在语音呈现过程中的韵律特征差异。本文提出了一种融合语音特征与语义特征的多模态检测框架（PSF-Detector）。该方法首先利用预训练语言模型提取文本的深层语义表征；其次，通过语音合成前端模块模拟文本的朗读过程，提取音素时长、能量、基频等韵律特征；最后，设计基于交叉注意力机制的特征融合模块，将两类特征进行深度融合并分类。实验结果表明，在多个公开数据集上，本文提出的方法在F1分数和准确率上均优于单模态基线模型，尤其对抗高困惑度（低语义区分度）的AI文本时表现出更强的鲁棒性。

关键词：AI生成文本检测；多模态融合；语音特征；语义特征；韵律分析

1. 引言

1.1 研究背景与意义

自ChatGPT问世以来，生成式AI已渗透至新闻、教育、科研等领域。据统计，2024年互联网新增内容中约有15%由AI生成。这种趋势带来了两个核心问题：

1. 信息污染：AI生成的虚假信息、偏见内容难以被普通用户甄别。
2. 学术不端：学生利用AI代写论文，挑战教育公平性。

传统的检测工具（如GPTZero、Turnitin）主要基于文本统计特