압축된 오디오에서도 작동하는 AI 생성 음악 탐지를 위한 듀얼 엔진 접근 방식

작성자의 하이브리드 접근 방식에 대해 흥미롭다는 반응이며, 특히 물리적 녹음 특성을 이용한 아이디어가 신선하다는 평가가 주를 이룬다.

• 오디오 탐지 모델 설계 시 WAV 데이터뿐만 아니라 MP3/AAC 압축 데이터를 포함하여 견고성을 테스트해야 한다.
• 추론 비용을 줄이기 위해 신뢰도 점수를 기준으로 고비용 모델의 실행 여부를 결정하는 게이트 구조를 도입하라.

멜-스펙트로그램(Mel-spectrogram)

— 소리의 주파수 성분을 인간의 청각 특성에 맞춰 변환한 시각적 표현 방식이다. 오디오 신호를 시간과 주파수 축으로 시각화하여 CNN 모델이 이미지처럼 학습할 수 있게 하며, AI 음악 탐지에서 핵심적인 입력 데이터로 쓰인다.

음원 분리(Source Separation)

— 혼합된 오디오 신호에서 보컬, 드럼, 베이스 등 개별 악기 소리를 독립적인 트랙으로 추출하는 기술이다. 딥러닝 모델을 통해 각 성분의 특징을 학습하여 분리하며, 본문에서는 AI와 인간 음악의 생성 방식 차이를 검증하는 도구로 활용됐다.

블리드(Bleed)

— 녹음 시 특정 악기의 소리가 의도치 않게 다른 악기용 마이크에 함께 기록되는 현상이다. 실제 환경에서의 녹음은 마이크 간 간섭과 실내 음향 효과를 포함하므로, 이를 재구성했을 때 AI 합성음보다 원본과의 오차가 더 크게 발생한다.

위양성률(False Positive Rate)

— 실제로는 음성(정상)인 데이터를 양성(이상)으로 잘못 판정한 비율이다. 이 시스템에서는 실제 인간이 만든 음악을 AI 생성 음악으로 오판한 비율을 의미하며, 1.1%라는 낮은 수치는 모델의 신뢰성을 뒷받침하는 근거가 된다.

비결정론적(Non-deterministic)

— 동일한 입력에 대해 매번 다른 결과가 나올 수 있는 특성이다. Demucs와 같은 복잡한 모델은 실행 시마다 미세한 차이가 발생할 수 있으며, 이는 경계선에 있는 데이터의 판정 결과가 바뀔 수 있는 한계점으로 작용한다.