AI検出がMP3ファイルで誤検知（偽陽性）しやすい理由

人手で作ったトラックなのに、MP3をAI検出にかけたら妙に高いAIスコアが出た——そんな経験があっても不思議ではありません。オーディオのAI検出でよくある事象のひとつで、原因はMP3圧縮の仕組みそのものにあります。

MP3圧縮はどう動くか

MP3は「可逆ではない」ロッシー圧縮形式で、ファイルサイズを小さくするためにオーディオ情報を恒久的に捨てます。心理音響モデルで人間の耳に気づきにくい周波数を特定し、それを削除します。影響が大きいのは、高域のカット——標準的なビットレートでは典型的に16kHzより上が落ちることが多く——残りの周波数データもなめらかに均されます。

なぜAIっぽく見えるのか

問題はここです。初期のAI音楽ジェネレーターが出す音も、高域が途切れ、スペクトルが不自然にスムーズになるという特徴を持っていました。ニューラルネットが生成する音楽も同様に、高域が欠け、スペクトルプロフィールがなめらかになりやすい。検出器がMP3を解析すると、圧縮由来のアーティファクトが、数学的にはAI生成のアーティファクトと非常に似て見えます。「圧縮された」と「生成された」を判別できないのです。

スペクトルスミアリング効果

MP3圧縮はオーディオエンジニアが「スペクトルスミアリング」と呼ぶ現象を起こします——もともとシャープだった周波数がぼやけ、混ざり合います。このスミアリングはスペクトログラム上ではなめらかなグラデーションとして現れ、まさにAI検出器が学習してフラグしやすいパターンです。圧縮が強いほど（ビットレートが低いほど）、この効果は顕著になります。

できること

最も簡単なのは、非圧縮または可逆圧縮形式を使うことです。WAVとFLACはロスなく元データを保持するため、検出器が本来の情報をすべて見られます。検証用に楽曲を提出するミュージシャンは、MP3ではなくDAWから書き出したオリジナルのWAV／FLACを使うのが望ましいです。

MP3しかない場合

ストリーミングから入手したトラックや、誰かから送られたファイルなど、MP3しかないこともあります。その場合、優れた検出器は解析に圧縮アーティファクトを織り込むべきです。SUS ITの強化されたMP3デコードパイプラインは、MP3からPCMを取り出し、圧縮特性をモデルに反映することで、素朴な手法と比べて偽陽性を大きく減らします。

ビットレートは効く

MP3にも差があります。320kbpsは128kbpsよりはるかに多くの情報を残し、圧縮アーティファクトが少なく、偽陽性につながりにくいです。どうしてもMP3を使うなら可能な限り高ビットレートで。128kbpsと320kbpsでは、検出精度に実質的な差が出ることがあります。

ひとことで言うと

MP3での偽陽性は、特定ツールの欠陥というより、オーディオAI検出に内在する既知の限界です。圧縮アーティファクトと生成アーティファクトが根本的に似てしまうことが原因です。基本は可能な限り非圧縮ファイルで解析すること。MP3のときは高ビットレートを選び、圧縮オーディオ向けの処理を備えたSUS ITのような検出器を選ぶ——それがベストプラクティスです。