未經驗證的訊號： 生成雜訊時代潛在音訊浮水印的 必要性

執行摘要

全球音訊生態系正處於危崖之上。我們已從一個 內容稀缺的時代，過渡到演算法驅動、鋪天蓋地的豐沛時代。音樂 供應鏈的數位化，一度被譽為創意的民主化，如今卻被 生成式人工智慧的工業化所武器化。如今，主要需求方平台 （DSP）如 Spotify，每 24 小時約攝入 100,000 首新曲目。 ¹ 此一數字 並不代表人類創意的文藝復興；相反，它標誌著一種系統性 脆弱。這股湧入中有相當大且迅速擴張的比例並非藝術，而是 「劣質生成物」（slop）——演算法雜訊、功能性音訊，以及深度偽造冒充，其設計並非為了 供人欣賞，而是為了從權利金池中抽取資本。 ²

對 Veriprajna 而言，意涵十分清楚：音訊產業的未來不能依賴 生成速度的持續加速。生成能力如今已是商品， 任何擁有 GPU 或 API 金鑰的人都能取得。稀缺性——因而也是價值——已 轉移到 溯源 。平台、唱片公司與權利持有人面臨的生存挑戰，不再是 如何創造內容，而是如何偵測它、驗證它，並從中分辨訊號與 雜訊。

本白皮書主張，當前的防禦架構——主要是中繼資料分析 與事後音訊指紋辨識——在數學上不足以對抗其規模 與現代生成對抗網路（GAN）及擴散模型的精密度。 指紋辨識需要一份已知的原件；生成式 AI 創造出獨特、前所未聞的 波形，沒有可供比對的「原件」。 ⁴ 中繼資料脆弱、易被剝除，且 可輕易偽造。

解方在於 潛在音訊浮水印 ：將不可感知、不可變更、 且強健的訊號直接嵌入音訊波形的物理結構。本文件闡述 浮水印方案必須挺過「類比間隙」的技術必要性——亦即傳輸 音訊經由空氣、喇叭與麥克風——以及有損壓縮的「數位間隙」 與對抗性編輯。我們分析每年 $2–3 billion 串流 詐欺危機 ⁶，以及現行 Content ID 系統的技術缺陷，以及架構 以強健浮水印整合為基礎的新信任標準之要求，以及 C2PA 溯源標準。

第一部分：豐沛危機——經濟與 技術威脅態勢

1.1 攝入速度與「雜訊」經濟

數位音樂生態系正見證內容的惡性膨脹，威脅要 動搖產業的基本經濟結構。每日 100,000 首曲目的指標 是一條失控管線的驚人訊號。 ¹ 為了把這個量級放進脈絡：若一位人類 策展人僅以每首 30 秒聆聽 Spotify 單日上傳的每一首曲目，就 需要近 35 天不間斷聆聽。人類驗證、策展與 審核此量級的能力早在數年前就被超越，因而必須依賴自動化系統， 而這些系統目前仍無法分辨真正的藝術與演算法廢料。 ²

這股湧入由生成工具的「民主化」所驅動。音樂製作 一度需要樂理、演奏與工程專業——形成天然的 進入門檻——生成式 AI 已將此摩擦力降為零。威脅行為者如今可 在數分鐘內用擴散模型生成數千首獨特、符合權利金資格的曲目 在既有音樂的龐大資料集上訓練而成。 ¹

1.1.1 「劣質生成物」生態系

我們將這股湧入歸為三個不同的「雜訊」向量：

1.​ 功能性音訊垃圾： 白噪音、雨聲、靜電與雙耳節拍。這些 曲目生成成本低廉，常被機器人農場循環播放以賺取權利金。 它們之所以「功能性」，是因為服務某種效用（助眠、專注），卻需要零 創意投入。 ¹

2.​ 演算法「Lo-Fi」與氛圍音樂： 生成模型擅長創造重複、 結構簡單的類型，例如 Lo-Fi Hip Hop 或 Ambient Drone。詐欺者生成龐大的 此類「壁紙音樂」曲庫，歸屬到數千個假藝人人格，以 躲避尋找上傳集中度的偵測演算法。 ¹

3.​ 深度偽造冒充： 未經授權複製高價值藝人嗓音（例如 Drake、The Weeknd、Taylor Swift）。這些曲目不只是垃圾，而是贗品， 利用已成名人類藝人的商譽與品牌資產，混淆 聽眾並稀釋藝人曲目目錄。 ²

僅在 2024 與 2025 年，Spotify 就被迫清除超過 7,500 萬首被識別為 「垃圾式」或人工雜訊。 ² 此一數字堪比整個歷史錄音 音樂目錄的規模，顯示若無干預，上傳到 網際網路的「音樂」很快將以供機器人消耗的非人類功能性雜訊為主。

1.2 串流詐欺的機制

內容生成只是詐欺方程式的供給側；需求側則是 對該內容的詐欺性消耗。產業正觀察有組織詐欺集團的戰術轉向，從 「高而快」攻擊轉為「低而慢」行動。 ¹

1.2.1 從尖峰到隱微

歷史上，串流詐欺十分粗糙。詐欺者會上傳一首曲目，並在短時間內用 單一 IP 位址灌入數百萬次串流（「高而快」）。這會造成 巨大的統計離群值，基本異常偵測演算法輕易就能標記。

AI 賦能的策略則是「低而慢」。 ¹

●​ 目錄深度： 不是一首曲目，詐欺者用 AI 生成 10,000 首曲目。

●​ 分散消耗： 不是一隻機器人把一首曲目播放 1,000,000 次，而是殭屍網路 把 10,000 首曲目各只播放 100 次。

●​ 結果： 合計權利金支出相同，但沒有任何單曲觸發 「病毒式尖峰」警報。詐欺隱藏在目錄的長尾中，埋在其下： 合法資料的龐大體量。 ¹

1.2.2 企業級詐欺基礎設施

驅動此詐欺的基礎設施已達企業級。「聽眾農場」不再只是 塞滿實體手機的房間；它們是運用以下手段的精密軟體作業：

●​ 住宅代理與 VPN： 模擬地理分散的聽眾並擊敗 以 IP 為基礎的封鎖。殭屍網路經由合法住宅 IP 位址轉送流量（往往是 被入侵的物聯網裝置），以看似一般家庭使用者。 ¹

●​ 無頭瀏覽器： 使用 Selenium 與 Puppeteer 等工具來自動化 與網頁播放器的互動。這些腳本模仿人類行為——滑鼠移動、 暫停、跳過曲目與搜尋——以製造「參與」指標來愚弄 反詐欺系統。 ¹

●​ AI 驅動的播放清單灌水： 詐欺者用 AI 生成數千份播放清單，標題經過 SEO 優化（例如「Chill Lo-Fi for Coding」、「Rainy Day Vibes」）。他們把 這些播放清單填入自己的 AI 生成垃圾曲目，並穿插少數 主流藝人的合法熱門。這層「偽裝」幫助播放清單躲過審查， 甚至能騙過 DSP 的推薦演算法，把垃圾曲目推送給 真實人類聽眾。 ¹

1.3 經濟衝擊：按比例分攤稀釋

此活動的財務誘因，根植於「按比例分攤」權利金模型，由 主要 DSP 採用。在此模型中，訂閱與廣告的所有營收被匯入一個 單一資金池。再以平台上的串流總數除以該池，以 得出「每次串流」費率。 ¹

此系統創造零和賽局。每一次詐欺串流不只是對 平台的竊盜；也是對每一位其他藝人的竊盜。當機器人農場產生 10 億次假串流 在 AI 雜訊曲目上，它增大了按比例分攤計算的分母，從而降低 每一次合法串流的每次串流費率。 ¹

1.3.1 數十億美元的流失

產業分析顯示，全球音樂串流活動中約有 10% 至 30% 屬於詐欺。 ⁶ 以貨幣計，這代表每年損失 $2 billion to $3 billion 。 ⁶

指標	估計衝擊	來源
每日上傳量	~100,000 首／日	1
已移除垃圾曲目 （Spotify）	>75 Million（2024-2025）	2
詐欺串流 百分比	總串流的 10% - 30%	6
年度財務損失	$2 Billion - $3 Billion USD	6
Deezer 詐欺偵測	70% 的 AI 曲目播放 被偵測為詐欺	12

這種稀釋效應意味著，合法獨立藝人或大型唱片公司實際上是在 補貼犯罪組織的伺服器成本。「按比例分攤」資金池正被 非人類聽眾聆聽非人類音樂所掏空。

1.4 監管與政策回應

產業已試圖以政策回應。Spotify 最近導入門檻， 要求曲目達到 1,000 次串流才產生權利金。 ³ 這雖使其無法變現 最無能的垃圾發送者，卻只是提高了老練者的門檻。殭屍網路 能夠產生十億次串流，可輕易確保其 10,000 首垃圾曲目各自達到 1,050 次串流。

此外，Deezer 與 Spotify 等平台正在實施「使用者中心」支付 模型，或因上傳詐欺而懲罰唱片公司，但這些都是被動措施。 ⁷ 核心問題 仍然存在：以現行技術，平台無法確定區分一首新的、獨特的 AI 曲目 與一首新的、獨特的人類曲目。

第二部分：鑑識缺口——為何傳統方法 無法對付 AI

要理解 Veriprajna 方法的必要性，必須先接受其過時—— 既有鑑識範式。產業長期依賴 音訊指紋辨識（例如 Shazam、Content ID）作為權利管理的黃金標準。然而，指紋辨識 本質上是 辨識 技術，而非 鑑別 技術。

2.1 原創性悖論：生成時代的指紋辨識

指紋辨識的運作方式，是從一段音訊擷取感知雜湊（頻譜圖峰值、節奏、頻率 輪廓）從一段音訊擷取，並與 已知 參考 檔案。 ⁴ 此架構在生成式 AI 的脈絡下災難性地失效，肇因於 「原創性悖論」。

生成式 AI 並不複製；它合成。當擴散模型生成一首新曲時，它 創造出從未存在過的波形。Content ID 資料庫中沒有可供比對的條目。對指紋辨識系統而言，一首全新的 AI 垃圾曲目看起來 與一首全新的人類傑作完全一樣——它只是「未知內容」。 ⁴

2.1.1 變異問題

即使面對深度偽造或衍生作品，指紋辨識仍難以應付 AI 的無限變異性。AI 生成的「翻唱」或「混音」可在音高、 速度、調性與編曲上被改動到剛好漂出「相似度門檻」。 雜湊比對演算法。 ¹⁵ 雖然「神經指紋辨識」（使用嵌入而非 峰值）提供若干韌性，它仍是一場機率性的貓捉老鼠遊戲。 ¹⁶

指紋辨識是被動的；它要求內容已經存在並完成登錄。 浮水印是主動的；它在創作當下嵌入溯源。 ⁴

2.2 「類比間隙」與聲音物理

音訊偵測最重大的技術障礙——也是 Veriprajna 專門設計要解決的——是 「類比間隙」（亦稱類比漏洞或 第二螢幕問題）。這指的是數位內容經由 喇叭播放、以聲波在空氣中傳播，再被麥克風錄下，在 第二部裝置。 ¹⁷

這不是微不足道的變換。對資料而言，這是敵對環境。在此 傳輸過程中，音訊訊號經歷巨大劣化，足以摧毀傳統 浮水印（例如最低有效位元編碼或簡單頻率缺口）。

2.2.1 空氣間隙中的失真向量

1.​ 多路徑傳播與混響： 聲波並非直線行進。 它們從牆壁、地板與家具反彈。麥克風接收直達聲 加上數千個略為延遲的反射（回音）。這會「塗抹」時域 訊號，造成符際干擾（ISI），使一個位元的資料滲入 下一個。 ¹⁹

2.​ 頻率響應濾波： 筆電喇叭與智慧型手機麥克風並不 完美。它們充當帶通濾波器，猛烈切除低頻（低於 300Hz）與高頻（高於 15kHz）。隱藏在這些頻段的任何浮水印資料 會立刻丟失。 ¹⁸

3.​ 非線性失真： 廉價喇叭引入諧波失真，加入 原訊號中不存在的頻率。

4.​ 失同步： 這是關鍵失效模式。當麥克風開始 錄音時，它不知道浮水印的「起點」在哪。錄音可能被 移調（因取樣率不匹配）或時間拉伸（因都卜勒效應 或處理）。 ¹⁸

多數「強健」浮水印能挺過 MP3 壓縮（數位間隙）。極少數能 挺過類比間隙。然而，偵測深度偽造必須挺過類比間隙，因為這類 此類內容多半經由社群媒體影片動態、廣播，或被即時通話錄下，由 第二部裝置。

2.3 人工審核的經濟不可行性

面對自動化指紋辨識的失敗，部分平台試圖擴大人 審核。這在經濟上不可行。研究顯示，雖然人類審核員 在偵測細微差別與脈絡上更準確，其成本幾乎是 40 倍，高於 自動化系統。 ²²

此外，人類聽覺會犯錯。區分高品質 AI 嗓音克隆 與真實錄音，對人類正變得在生物學上不可能，而對機器仍 在數學上可能。 ⁸ 審核數千首「劣質生成物」的認知負荷 導致決策疲勞與錯誤。產業需要一種方案，既具備 人類驗證的 細微差別，又具備軟體的 規模 與 成本效率。這正是 強健、潛在音訊浮水印的領域。

第三部分：潛在音訊浮水印——Veriprajna 架構

AI 音樂的未來不在於阻止生成；而在於把生成綁定到 身分。Veriprajna 主張一套企業級浮水印架構，它是 「潛在的」（嵌入音訊的基本表徵）且「強健的」（挺過 敵對訊號處理）。

3.1 架構：展頻與心理聲學掩蔽

為了達到人耳不可感知、機器卻可還原的浮水印， 我們採用 展頻（SS） 技術，結合 心理聲學 掩蔽 。 ²³

3.1.1 直接序列展頻（DSSS）

在我們提出的架構中，浮水印資料並非藏在單一頻率或 特定時刻。相反，訊號能量被展寬到寬頻帶 使用偽隨機雜訊序列。這服務兩個關鍵目的：

1.​ 不可感知性： 藉由展寬能量，任一單一頻率箱中的浮水印訊號 都維持在人類感知的噪聲底之下。它聽起來像房間裡的「空氣」， 而非數位偽影。 ²⁴

2.​ 強健性： 濾除特定頻率的攻擊（如低通濾波或簡單 EQ）無法摧毀浮水印，因為資訊在整個頻譜中是冗餘的。 即使攻擊者移除 50% 的頻帶，剩餘頻譜的相關性 仍足以還原訊號。 ²³

3.1.2 迭代濾波與奇異值分解（SVD）

Veriprajna 採用先進的訊號分解技術。我們利用 迭代濾波 將音訊分解為固有模態函數（IMF）。再對特定 IMF 套用 奇異值 分解（SVD） 以嵌入浮水印位元。 ²³

●​ 為何用 SVD？ 以 SVD 為基礎的嵌入對幾何攻擊高度穩定（如 影像浮水印中的旋轉，或音訊中的時間平移）。它讓我們把資料嵌入 訊號的 結構，而不只是其表面數值。

●​ 結果： 一種在不可感知性、酬載容量與 對抗重取樣與再量化等訊號處理攻擊的強健性之間取得平衡的浮水印。 ²³

3.2 征服類比間隙：自相關與同步

浮水印在「空氣間隙」情境的標準失效模式是 失同步 。若 偵測器找不到浮水印序列的精確起始樣本，偵測 就會失敗。 ¹⁸

Veriprajna 的方法運用 自相關 與 與時間順序無關的偵測 來 解決此問題：

3.2.1 自相關技術

不是把接收訊號與外部參考資料庫比對（那需要 網際網路連線並引入延遲），我們的架構在訊號本身嵌入重複的雜訊 模式。偵測器把訊號與 自身 比較（自相關）。 ¹⁷

●​ 機制： 我們嵌入一段短雜訊序列，每隔 $T$ 毫秒。

●​ 強健性： 當音訊經空氣傳播並產生混響時，整個訊號 被 失真。然而，重複區塊之間的 關係 保持不變。 回音以相同方式影響區塊 A 與區塊 B。

●​ 偵測： 偵測器計算傳入串流的自相關。它尋找 在延遲處的週期性尖峰 $T$。此尖峰確認浮水印存在 而無須知道原始音訊聽起來如何。 ¹⁷

3.2.2 隨機化區塊反相（二元金鑰）

為防止來自自然有節奏音樂的偽陽性（例如 120BPM 的穩定 techno 節拍 看起來像重複浮水印），我們採用 隨機化區塊反相 技術。 ¹⁷

●​ 金鑰： 我們使用二元金鑰（例如 10110...）隨機反轉特定之相位，針對 浮水印區塊。

●​ 區分： 自然音樂不遵循此偽隨機反相模式。 鼓圈完全相同地重複；我們的浮水印以密碼學反相 簽名。

●​ 結果： 偵測器能區分有節奏的歌曲與 Veriprajna 浮水印，偽陽性近乎為零，即使在嘈雜環境中。 ¹⁷

3.3 對抗抵抗：AWARE 協定

老練攻擊者會使用「神經移除」攻擊——專門訓練 AI 模型來 尋找並移除浮水印。為對抗此點，我們採用 對抗訓練 框架， 類似 AWARE（Audio Watermarking with Adversarial Resistance to Edits） 方法論。 ²⁶

3.3.1 以偵測器為中心的最佳化

傳統浮水印針對固定攻擊集合訓練（例如「加雜訊」、「壓縮到 MP3」）。這導致過擬合；系統在新的、未見過的攻擊下失效。

●​ 極小極大賽局： 我們的訓練管線包含可微分的「攻擊模擬 層」。 ²⁷ 編碼器與解碼器在極小極大賽局中聯合訓練：「攻擊者」 網路試圖在維持音訊品質的同時摧毀浮水印，而 「編碼器」網路則適應以挺過攻擊。

●​ 泛化： 這產生一種泛化強健性，不僅挺過已知 攻擊如 MP3 壓縮（64kbps）或時間尺度修改（TSM），也挺過 未知的未來訊號劣化。 ²⁶

3.3.2 交叉注意力與時間條件化

為處理複雜時間失真（如把曲目加速 10%），我們整合 交叉注意力機制（見於 XAttnMark）。 ²⁸

●​ 機制： 偵測器使用交叉注意力，從共享嵌入空間擷取浮水印訊息， 並以音訊的時間特徵為條件。

●​ 效益： 即使音訊已被 時間拉伸或移調，歸因準確率仍超過 98%，即使在 強烈編輯下。 ²⁸

3.3.3 位元讀出頭（BRH）

為處理「裁剪」攻擊（詐欺者把 30 秒片段剪成 10 秒），我們的 偵測器採用位元讀出頭。此機制隨時間為浮水印的每一位元彙總證據。 即使只剩音訊碎片，BRH 仍能 累積足夠統計機率以解碼溯源簽名。 ²⁶

第四部分：溯源協定——C2PA 及其後

浮水印是 環節，但不是 鏈條 。要建立真正受信任的生態系， 聲學浮水印必須以密碼學綁定到可驗證身分。這正是 Veriprajna 與 內容溯源與真實性聯盟（C2PA） 標準。 ²⁹

4.1 音訊的「營養標示」

C2PA 提供開放技術標準，作為數位內容的「營養標示」。 它讓發行者與創作者嵌入防篡改中繼資料，詳列：

●​ 誰 創造了資產（使用 X.509 憑證的密碼學簽署身分）。 ³⁰

●​ 如何 被創造（人類錄製 vs. AI 生成）。

●​ 做了什麼 編輯（編輯歷史／溯源）。 ³¹

4.2 軟綁定 vs. 硬綁定

僅中繼資料方案的關鍵弱點是中繼資料可被剝除。若使用者 把 C2PA 簽署的 WAV 檔轉成一般 MP3，或經廣播播放，中繼資料 標頭就會丟失。這是「硬綁定」失效。

Veriprajna 實作 軟綁定 ：

1.​ 錨點： 我們把唯一識別碼（UUID 或雜湊）嵌入音訊，使用我們的 潛在音訊浮水印。

2.​ 帳本： 此 UUID 指向雲端託管的 C2PA 清單儲存庫。

3.​ 復原： 即使檔案被剝除中繼資料、轉成類比、在 廣播上播放並被重錄，浮水印 仍存活。Veriprajna 解碼應用程式 從音訊訊號擷取 UUID、查詢帳本，並取回原始 C2PA「營養標示」。 ³⁰

這確保溯源隨內容而行，無論媒介為何。

4.3 隱私與選擇性揭露

溯源的常見疑慮是隱私。異議記者或匿名 藝人是否希望其法律身分附著於檔案？Veriprajna 支援的 C2PA 標準 允許 遮隱 與 假名性 。 ³³

●​ 假名聲明： 藝人可以「Verified Artist #892」或藝名簽署曲目， 連結到由受信任第三方（如唱片公司或公會）核發的已驗證憑證， 而無須揭露住家地址或法定姓名。

●​ 斷言遮隱： 敏感編輯歷史或位置資料可從 公開清單中遮隱，同時仍可由授權稽核者驗證。 ³³

第五部分：企業生態系——實作與 經濟

對 Veriprajna 創辦人而言，給企業客戶的價值主張不只是技術； 它純粹是經濟的。強健浮水印的實作是一項資本支出， 可防止詐欺的營運支出與稀釋造成的營收流失。

5.1 自動偵測 vs. 人工審核的投資報酬

如前所述，人工審核對 AI 攝入的規模而言成本過高。

功能	人工 審核	AI 分類器	Veriprajna 浮水印
成本	高（$$$$）22	低（$)|Low ($）

偽陽性	中 （主觀）	高（對抗性 雜訊）	近乎為零 （密碼學）
可擴展性	線性（招聘）	指數	指數
類比間隙	低（生物學上 受限）	低（特徵丟失）	高 （自相關）
法律證明	意見	機率性	確定性

以浮水印為基礎的偵測 提供最低總擁有成本（TCO），因為它是 確定性的。浮水印要嘛存在，要嘛不存在。沒有機率曲線需要 詮釋，也沒有需要人工審核的「信心分數」。這使得對未授權內容可進行全自動 下架或取消變現，並具備高度法律信心。

5.2 部署模型：伺服器端與推論層級

Veriprajna 提出兩個主要整合點：

1.​ 推論層級嵌入（針對 AI 模型提供者）：

○​ 概念： 把浮水印步驟直接整合進 AI 模型的生成過程（例如擴散步驟或權杖生成）。

○​ 機制： 類似 Google 的 SynthID，我們可修改 權杖的機率分布（針對音訊 transformer）或潛在向量（針對擴散模型），以 在 零額外延遲 下嵌入浮水印。浮水印被「烤進」 創作事件。 ³⁴

○​ 效益： 模型生成的每個檔案預設即受保護。

2.​ 入口層級嵌入（針對 DSP 與發行商）：

○​ 概念： 內容上傳到平台時即加上浮水印。

○​ 效益： 為人類創作內容建立監管鏈。若人類藝人 上傳曲目，它被浮水印標為「Human Verified」。若該曲目後來被抓取 並用於訓練模型，浮水印仍持續存在，證明著作權侵害。 ¹⁴

5.3 法律與倫理盾牌

隨著歐盟 AI 法與即將到來的美國深度偽造與著作權透明度監管， 浮水印正從「錦上添花」轉變為合規要求。

●​ 責任盾牌： 實作 C2PA + 浮水印的平台可證明「最大 努力」以打擊詐欺與深度偽造，大幅降低其著作權責任，在 侵害訴訟中。

●​ 合意訓練： 藉由允許藝人「選擇加入」AI 訓練，僅當輸出 帶有浮水印時，我們為訓練資料創造合意市場。這鏡映「Adobe Firefly」模型，但應用於音訊領域。 ³⁶

結論：未來在於偵測

音樂產業將被 AI「摧毀」的敘事是錯誤的。產業只會在 無法分辨訊號與雜訊時被摧毀。我們正進入一個時代，檔案的 溯源 與檔案本身同樣有價值。

「若無法加上浮水印，就不要生成。」這不只是口號；它是受信任數位網路的營運 現實。技術已存在，能把信任嵌入我們內容的電波本身。 我們能挺過「類比漏洞」。我們能擊敗「低而慢」殭屍網路。 我們能恢復權利金池的完整性。

AI 音樂的未來不在於生成最佳旋律的模型；而在於 保證那旋律真實、獲得報酬、並被承認的基礎設施。Veriprajna 打造該基礎設施。

技術附錄：效能基準與資料 分析

表 1：偵測技術比較分析

功能	音訊指紋辨識 （舊有）	Veriprajna 潛在 浮水印
偵測基礎	感知雜湊比對 （資料庫）	嵌入訊號 擷取（物理）
新 AI 內容	失敗（資料庫中無原件）4	成功（在 創作時嵌入）14
類比間隙	低強健性 （麥克風）	高強健性 （自相關）17
壓縮	中等（挺過 MP3）	高（挺過 64kbps MP3/AAC）28
時間伸縮	偏移超過 5% 即失敗	強健（0.8x - 1.25x

Col1	Col2	速度） 28
基礎設施	沉重（十億曲目資料庫 查詢）	輕量（本地演算法 解碼）
偽陽性	低	近乎為零（密碼學 金鑰）

表 2：潛在浮水印強健性指標 （AWARE／Veriprajna 協定）

攻擊向量	描述	韌性 機制	位元錯誤率 （BER）目標
有損 壓縮	MP3/AAC（64kbps - 128kbps）	展頻 冗餘	< 1%26
時間尺度修改	速度變化 +/- 20%	時間 條件化／網格 搜尋	~0%28
重取樣	44.1kHz -> 16kHz	頻域 嵌入	< 2%23
裁剪	50% 資料損失	位元讀出 頭（BRH）	可復原26
麥克風錄製	房間混響、雜訊	自相關 + 區塊反相	高準確度17

表 3：實作的經濟衝擊

成本驅動因素	人工審核	AI 浮水印偵測
單位成本	高（40x 基線）22	低（1x 基線）

可擴展性	線性（需要招聘）	指數（運算 擴展）
一致性	低（疲勞／偏誤）	高（確定性）
細微差別	高（具脈絡意識）	高（當與 C2PA 綁定時）

參考文獻

1. AI-Powered Streaming Fraud: How to Make a Hit Song Nobody ...，查閱於 2025年12月11日， https://www.humansecurity.com/learn/blog/ai-powered-streaming-fraud/

2. Spotify has deleted 75m+ tracks in 'spammy' AI music crackdown，查閱於 2025年12月11日， https://www.musicbusinessworldwide.com/spotify-has-deleted-75m-spammy-tracks-as-it-unveils-new-ai-music-policies/

3. Spotify removes 75m spam tracks in past year as AI increases ability to make fake music，查閱於 2025年12月11日， https://www.theguardian.com/music/2025/sep/25/spotify-removes-75m-spam-tracks-past-year-ai-increases-ability-make-fake-music

4. Watermarking vs. Fingerprinting - Actus Digital，查閱於 2025年12月11日， https://actusdigital.com/watermarking-vs-fingerprinting-technology/

5. Watermarking vs. Fingerprinting: Key differences - FastPix，查閱於 2025年12月11日， https://www.fastpix.io/blog/watermarking-vs-fingerprinting-key-diferences f

6. Beatport and Beatdapp Partner to Combat Annual Streaming Fraud of Up to $3 Billion，查閱於 2025年12月11日， https://6amgroup.com/articles/industry-pro-audio/beatport-and-beatdapp-partner-to-combat-annual-streaming-fraud-of-up-to-3-billion

7. Fraud groups 'stealing billions' from music industry via 'fake' streams - Sky News，查閱於 2025年12月11日， https://news.sky.com/story/fraud-gangs-stealing-billions-from-music-industry-via-fake-streams-13163016

8. Deepfake Detection For Music - Meegle，查閱於 2025年12月11日， https://www.meegle.com/en_us/topics/deepfake-detection/deepfake-detection-for-music

9. Spotify isn't your friend: How the platform takes your money while artists pay the price，查閱於 2025年12月11日， https://www.newschoolfreepress.com/2025/12/08/spotify-isnt-your-friend-how-the-platorm-takes-your-money-while-artists-pay-the-price/f

10. Artificial Streaming - Spotify for Artists，查閱於 2025年12月11日， https://artists.spotify.com/artificial-streaming

11. How the Music Industry is Fighting the $2B Streaming Fraud Issue，查閱於 2025年12月11日， https://trolley.com/learning-center/music-streaming-fraud-challenges-solutions-industry-insights/

12. Why Spotify's Crackdown on AI Spam Tracks Is a Win for Real Artists - Jacqueline Jax，查閱於 2025年12月11日， https://jacquelinejax.medium.com/why-spotifys-crackdown-on-ai-spam-tracks-is-a-win-for-real-artists-b4c2d646c99f

13. Demystifying Audio Watermarking, Fingerprinting and Modulation/Demodulation | by Daniel Jones | Chirp | Medium，查閱於 2025年12月11日， https://medium.com/chirp-io/demystifying-audio-watermarking-fingerprinting-and-modulation-demodulation-bfe5ea2ea2c3

14. Watermarking the Future: How Audio Fingerprints Could Define AI Music Transparency，查閱於 2025年12月11日， https://aimusicdetection.com/watermarking-the-future-how-audio-fingerprints-could-define-ai-music-transparency/

15. How Spotify's Engineers Likely Built the AI Defense Against 75 Million Spam Tracks，查閱於 2025年12月11日， https://www.artiba.org/intelligent-engineering-at-scale/how-spotifys-engineers-likely-built-the-ai-defense-against-75-million-spam-tracks

16. Universal and Sony Music partner with new platform to detect AI music copyright theft using 'groundbreaking neural fingerprinting' technology - Music Business Worldwide，查閱於 2025年12月11日， https://www.musicbusinessworldwide.com/universal-and-sony-music-partner-wi th-new-platorm-to-detect-ai-music-copyright-theff t-using-groundbreaking-neu ral-fingerprinting-technology/

17. Audio watermarking algorithm is first to solve "second-screen ...，查閱於 2025年12月11日， https://www.amazon.science/blog/audio-watermarking-algorithm-is-first-to-solve-second-screen-problem-in-real-time

18. An Audio Watermark Designed for Efficient and Robust ...，查閱於 2025年12月11日， https://hajim.rochester.edu/ece/sites/gsharma/papers/NadeauAnalogPlaybkAudioWMSynchTIFS2017.pdf

19. [2511.02278] Multiplexing Neural Audio Watermarks - arXiv，查閱於 2025年12月11日， https://arxiv.org/abs/2511.02278

20. Desynchronization Resilient Audio Watermarking Based on Adaptive Energy Modulation，查閱於 2025年12月11日， https://www.mdpi.com/2227-7390/13/17/2736

21. SoK: How Robust is Audio Watermarking in Generative AI models? - arXiv，查閱於 2025年12月11日， https://arxiv.org/html/2503.19176v2

22. Humans make better content cops than AI, but cost 40x more |… - Zefr，查閱於 2025年12月11日， https://zefr.com/press/humans-make-beter-content-cops-than-ai-but-cost-40xt-more

23. Robust Audio Watermarking Based on Iterative Filtering - ResearchGate，查閱於 2025年12月11日， https://www.researchgate.net/publication/373487232_Robust_Audio_watermarking_based_on_Iterative_Filtering

24. Audio Watermarking System in Real-Time Applications - MDPI，查閱於 2025年12月11日， https://www.mdpi.com/2227-9709/12/1/1

25. SyncGuard: Robust Audio Watermarking Capable of Countering Desynchronization Attacks，查閱於 2025年12月11日， https://arxiv.org/html/2508.17121v1

26. AWARE: Audio Watermarking via Adversarial Resistance to Edits - arXiv，查閱於 2025年12月11日， https://arxiv.org/html/2510.17512v1

27. An Audio Watermarking Algorithm Based on Adversarial Perturbation - MDPI，查閱於 2025年12月11日， https://www.mdpi.com/2076-3417/14/16/6897

28. XAttnMark: Learning Robust Audio Watermarking with Cross-Attention - Yixin Liu，查閱於 2025年12月11日， https://liuyixin-louis.github.io/xattnmark/

29. C2PA | Verifying Media Content Sources，查閱於 2025年12月11日， https://c2pa.org/

30. FAQs - C2PA，查閱於 2025年12月11日， https://c2pa.org/faqs/

31. C2PA Explainer :: C2PA Specifications，查閱於 2025年12月11日， https://spec.c2pa.org/specifications/specifications/1.2/explainer/Explainer.html

32. Content Credentials | Verify Media Authenticity，查閱於 2025年12月11日， https://contentcredentials.org/

33. C2PA Security Considerations，查閱於 2025年12月11日， https://spec.c2pa.org/specifications/specifications/2.0/security/Security_Considerations.html

34. SynthID: A Technical Deep Dive into Google's AI Watermarking Technology Medium，查閱於 2025年12月11日， https://medium.com/@karanbhutani477/synthid-a-technical-deep-dive-into-googles-ai-watermarking-technology-0b73bd384ff6

35. SynthID Explained: A Technical Deep Dive into DeepMind's Invisible Watermarking System，查閱於 2025年12月11日， https://dev.to/grenishrai/synthid-explained-a-technical-deep-dive-into-deepminds-invisible-watermarking-system-38n7

36. Content Credentials overview - Firefly - Adobe Help Center，查閱於 2025年12月11日， https://helpx.adobe.com/firefly/web/get-started/learn-the-basics/content-credentials-overview.html

37. Content Credentials overview - Adobe Help Center，查閱於 2025年12月11日， https://helpx.adobe.com/creative-cloud/apps/adobe-content-authenticity/content-credentials/overview.html