剑桥大学：基于语音的大模型攻击，轻松“操纵”多模态大模型

4月前

夕小瑶科技说原创
作者 | Richard
随着人工智能技术的快速发展，基于语音的大模型正在成为一个热门领域。这些模型不仅能实现语音识别，还可以执行翻译等多种任务。然而，最近剑桥大学的研究人员发现了一个令人担忧的安全隐患 —— 通过简单的声音操控，就可以轻松"操纵"这些多模态大模型的行为。

研究人员以OpenAI的Whisper模型为例，展示了如何通过在输入音频前添加一小段特制的声音，就能迫使模型执行翻译而非预设的转录任务。这种攻击方法不需要接触模型内部，而且具有普遍适用性，对不同语言都有效。

这项研究揭示了语音大模型面临的新型安全威胁，同时也为我们敲响了警钟：在部署这类灵活的多任务模型时需要更加谨慎，采取更严格的安全措施。接下来，让我们深入了解这项有趣而又发人深省的研究。

论文标题：
CONTROLLING WHISPER: UNIVERSAL ACOUSTIC ADVERSARIAL ATTACKS TO CONTROL SPEECH FOUNDATION MODELS

论文链接：
https://arxiv.org/pdf/2407.04482

语音大模型的新威胁

Whisper采用了编码器-解码器的Transformer架构，通过在解码器输入中加入特殊的任务标记，就能灵活地切换转录和翻译任务。这种设计大大提高了模型的多功能性，但同时也带来了潜在的安全隐患。

剑桥大学的研究人员发现，这些灵活的语音大模型存在一个严重的安全漏洞：过在输入音频前添加一小段特制的声音，就能轻松改变模型的行为。这种被称为"模型控制攻击"的方法，能够强制模型执行非预期的任务，而无需接触模型内部结构。

攻击者只需要在正常语音前加入一段短小的对抗音频，就能迫使Whisper模型从转录模式切换到翻译模式。

这种攻击方法简单却极具威胁性：

它不需要访问模型内部结构或修改模型参数；
攻击音频可以是通用的，适用于不同的输入语音；
它能有效地改变模型的行为，从一种任务模式强制切换到另一种。

这项研究的重要性主要体现在三个方面：

揭示了多任务语音大模型面临的新型安全威胁。
提出了一种简单却有效的攻击方法，为未来的防御研究指明了方向。
为语音AI系统的安全部署敲响了警钟，在追求模型灵活性的同时，也要充分考虑安全性。

随着语音大模型在各个领域的广泛应用，这种潜在的安全隐患可能会带来严重后果。因此，深入研究这类攻击方法并开发有效的防御措施，对于确保语音AI技术的安全可靠至关重要。

攻击方法

研究团队提出的模型控制攻击方法针对如Whisper这样的多任务语音大模型。攻击的核心是生成一段通用对抗音频片段，并将其添加到原始输入音频之前。

攻击的目标是让模型在转录模式下执行翻译任务，可以表示为优化问题：

其中是模型在翻译模式下的输出，表示模型处于转录模式。为了使攻击具有通用性，优化目标扩展为:

这确保生成的对抗音频能适用于多个输入样本。

攻击过程中，模型输出的概率可以表示为：

为提高隐蔽性，研究者们限制了对抗音频的长度和振幅：

在优化过程中，通过梯度下降方法更新，并在每次迭代后将其值限制在范围内。

基于这些约束，研究者设计了三种攻击强度：

弱攻击：0.64秒，
中等攻击：0.64秒，
强攻击：2.56秒，

这种攻击方法无需访问模型内部，只需在输入音频前添加一小段对抗音频即可改变模型行为。它不仅适用于Whisper，还可能影响其他类似的多任务语音模型。这种方法揭示了多任务语音模型的潜在脆弱性，为后续防御研究提供了重要参考。

声音陷阱下的语音大模型

研究团队以OpenAI的Whisper模型为例，使用FLEURS数据集进行了一系列实验，选择了法语-英语、德语-英语、俄语-英语和韩语-英语四种语言对进行测试。实验结果令人震惊，揭示了语音大模型面对这种巧妙攻击时的脆弱性。

首先，在法语-英语语对上的实验结果尤为显著。随着攻击强度的增加，模型的行为逐渐从转录模式转向翻译模式。在无攻击的转录模式下，模型输出几乎不含英语内容（P(en) = 0.0%）。然而，强攻击使得模型输出几乎完全变为英语（P(en) = 98.2%），甚至在BLEU分数上（17.5）略微超过了正常翻译模式（17.4）。这表明攻击不仅成功改变了模型行为，还在某些方面甚至优于正常翻译。

更有趣的是，攻击效果呈现出明显的二元性。当攻击成功时，翻译质量（以BLEU分数衡量）会迅速提高；

而当攻击失败时，翻译质量保持在较低水平。

下图进一步证实了这种二元性，展示了英语概率（P(en)）的分布。这意味着模型要么完全被攻击成功，生成全英文输出，要么完全失败，保持原语言输出，几乎没有中间状态。

攻击方法的跨语言泛化性也得到了验证。研究者还验证了在德语-英语、俄语-英语和韩语-英语语对上的实验效果。尽管效果略有差异，但在所有语言对上，强攻击都能将英语概率提高到95%以上，证明了这种攻击方法的通用性。

然而，研究者们也发现了一些有趣的异常现象。在非法语语对中，攻击后的翻译出现了较高的插入错误率。例如，在俄语-英语对中，有167个样本的翻译结果开头出现了"however, it is clear that"这一短语，而正常翻译中只有1个样本出现此现象。这表明攻击可能导致模型产生一些幻觉或固定模式的输出。