基于卷積神經(jīng)網(wǎng)絡(luò)的重錄語音檢測算法

趙雅珺，王 泳，張夢鴿

(廣東技術(shù)師范大學(xué)，廣東 廣州 510665)

1 概 述

已有研究證明，語音轉(zhuǎn)換(voice conversion，VC)、語音合成(speech synthesis，SS)及重錄語音等欺騙性語音能有效地欺騙說話人識別(automatic speaker recognition，ASV)系統(tǒng)，從而冒充他人登入系統(tǒng)[1-5]，對社會安全產(chǎn)生嚴(yán)重威脅。其中，VC及SS需要目標(biāo)說話人較多的語音信息及特征，再加上現(xiàn)有算法尚未完全成熟，實(shí)現(xiàn)成本及難度相對較高；而重錄語音利用低廉的錄音設(shè)備即可輕松獲得，且重錄語音基本包含目標(biāo)人物語音的所有特征，因此，相對VC及SS更具威脅。為此，文中對重錄語音的檢測算法進(jìn)行研究。

在已有的研究中，針對欺騙性語音安全性的研究主要集中在對VC及SS的檢測算法上。Hanilci C等提出了利用語音信號的線性預(yù)測殘差提取相位特征進(jìn)行欺騙檢測的方法[6]；Kamble M等提出了基于能量分離算法的瞬時(shí)頻率余弦系數(shù)，用于檢測真假語音[7]；Muckenhirn H等通過計(jì)算一階和二階頻譜統(tǒng)計(jì)量并將它們提供給分類器來檢測攻擊[8];Janicki A等提出了利用線性預(yù)測(linear prediction)殘差信號提取基于音頻質(zhì)量特征的算法[9]；Alam J提出了一種基于無限脈沖響應(yīng)常數(shù)q變換特征表示的欺騙檢測算法[10]。此外還有運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的檢測算法[11-12]，以及運(yùn)用高斯混合模型(GMM)、動態(tài)時(shí)間規(guī)整(DTW)模型、深度學(xué)習(xí)等其他方法的檢測算法[13-20]。

然而，針對重錄語音檢測的報(bào)道相對較少。文獻(xiàn)[21]提出了一種利用頻域線性預(yù)測框架提取時(shí)間包絡(luò)特征的方法，用于檢測重播欺騙攻擊。采用高斯混合模型(GMM)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)兩種建模方法，對真實(shí)和偽造數(shù)據(jù)的GMM進(jìn)行訓(xùn)練，CNN子系統(tǒng)用來區(qū)分真實(shí)和重放語音。其融合系統(tǒng)結(jié)果的誤差率為9.7%，有待提高。文獻(xiàn)[22]則應(yīng)用了線性預(yù)測(linear prediction)殘差信號。該文指出線性預(yù)測殘差信號是一種準(zhǔn)周期脈沖序列，如果樣本被改變，感知到的線性預(yù)測殘差信號將是不同的，由此，將RMFCC(residual mel frequency cepstral co-efficient)作為線性預(yù)測殘差信號的代表特征，應(yīng)用在重播攻擊檢測系統(tǒng)中。文獻(xiàn)[23]利用分層散射分解系數(shù)和逆梅爾倒譜系數(shù)(IMFCC)分析頻譜在低端和高端存在的差異，然后采用2級GMM后端來獲得真實(shí)語音和重放語音之間的邏輯似然比，再使用HTK[24]和VLfeat工具包[25]對GMM進(jìn)行訓(xùn)練。文獻(xiàn)[26]提出基于卷積神經(jīng)網(wǎng)絡(luò)檢測重錄語音的算法，該算法利用電網(wǎng)頻率(ENF)及其諧波組成的組合作為CNN的輸入，此算法要求錄音設(shè)備必須插入電網(wǎng)，以從語音信號中提取ENF；若錄音設(shè)備自帶電源，則無法使用此方法。在涉及安全問題時(shí)，更大的可能性是錄音設(shè)備為自帶電源的設(shè)備，因此該算法在實(shí)際應(yīng)用中具有明顯的局限性。

上述研究尚存在一些問題：傳統(tǒng)算法提取特征過程比較復(fù)雜；算法均缺乏通用性，對訓(xùn)練和測試環(huán)境或設(shè)備不同時(shí)比較脆弱。這些工作具有啟發(fā)性，但是也反映出此類語音取證面臨的困境，包括在沒有標(biāo)準(zhǔn)化的情況下如何設(shè)定取證場景、取證場景是否與真實(shí)世界相符、錄音數(shù)量是否不足等問題。為此，文中提出了一種基于新的卷積神經(jīng)網(wǎng)絡(luò)且對不同場景魯棒的重錄語音檢測算法。網(wǎng)絡(luò)的數(shù)據(jù)輸入形式采用語音信號經(jīng)過分幀的時(shí)頻圖，網(wǎng)絡(luò)結(jié)構(gòu)層包括若干卷積層、池化層，在實(shí)驗(yàn)中先分別對不同錄制語音設(shè)備、距離及環(huán)境等重錄語音影響因子進(jìn)行研究分析，然后提出最終的訓(xùn)練方法，并對所有的不同條件下的重錄語音進(jìn)行檢測。實(shí)驗(yàn)結(jié)果表明，在不同的實(shí)驗(yàn)條件下，該算法均達(dá)到了較高的檢測率，因此具有通用性。

2 數(shù)據(jù)預(yù)處理和網(wǎng)絡(luò)結(jié)構(gòu)

構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)結(jié)構(gòu)中每一層的參數(shù)情況如表1所示。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)

表1 網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)情況

結(jié)構(gòu)層輸出尺寸卷積核參數(shù)量Conv164×623×1,3296Pooling164×311×2Conv264×313×1,323 072Pooling264×161×2Conv364×163×1,646 144Pooling364×81×2Conv464×83×1,12824 576Pooling464×41×2

表1 網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)情況

該模型結(jié)構(gòu)共有7層，每層包含一個(gè)卷積層與一個(gè)池化層，卷積層的輸出通過ReLU函數(shù)進(jìn)行激活，并在層與層之間加入殘差連接[27]，最后通過全局池化提取最終特征，并通過sigmoid預(yù)測檢測結(jié)果。該結(jié)構(gòu)最大的特點(diǎn)是采用在頻率維度卷積及時(shí)間維度池化，具體設(shè)置為采用3×1卷積核和1×2池化。如此設(shè)置一方面最大化降低模型容量，極大減少過擬合的風(fēng)險(xiǎn)，降低模型對數(shù)據(jù)量的依賴性，另一方面，又與時(shí)頻圖的特征分布特點(diǎn)高度契合，將訓(xùn)練參數(shù)分配到更合理的地方，從而用更有效的特征來訓(xùn)練更緊湊的參數(shù)。

深度學(xué)習(xí)模型的性能對數(shù)據(jù)有極高的依賴性，以原始音頻信號作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，其特征分布過于稀疏，極大地提高了神經(jīng)網(wǎng)絡(luò)提取有效特征的難度。另一方面，重錄設(shè)備會在原語音信號的頻域上引入變化[21，23，26，28]，此種變化可以作為區(qū)分重錄語音及原始語音的重要依據(jù)。為此，文中的網(wǎng)絡(luò)輸入數(shù)據(jù)采用語音的時(shí)頻圖。時(shí)頻圖由短時(shí)傅里葉變換(short-time Fourier transform，STFT)生成，相對于直接輸入語音數(shù)據(jù)，時(shí)頻圖對于重錄設(shè)備引入的特征信息有相對密集的分布，更有利于神經(jīng)網(wǎng)絡(luò)特征提取，從而加快訓(xùn)練，提高精度。

語音重錄包含三個(gè)過程：語音經(jīng)過播放器播放，經(jīng)過空氣傳播，再由錄音設(shè)備錄制。重錄導(dǎo)致語音數(shù)據(jù)一定程度的失真，此失真包括幅度失真和時(shí)間軸上的線性伸縮，主要由播放時(shí)的DA變換與錄制時(shí)的AD變換采用的設(shè)備、錄制環(huán)境及錄制距離等因素造成。幅度失真可以表示為能量變化和一個(gè)疊加噪聲，線性伸縮的程度與使用的硬件如聲卡性能及所采用的采樣率有關(guān)。失真模型可表示為：

(1)

其中，y(t)是重錄語音；x(t)是原始語音；λ是幅值變換因子；η是疊加噪聲。

對應(yīng)的頻域變化如式2所示。

Y(jω)=λ?X(jαω)+N(jω)

(2)

其中，?是時(shí)間軸線性伸縮因子；Y(jω)、X(jω)、N(jω)分別為y(t)、x(t)、η的頻域表示。

對于固定的錄音設(shè)備，其特征是非常穩(wěn)定的，即λ、α是常數(shù)，而疊加噪聲與錄制環(huán)境、錄制距離及錄制設(shè)備AD轉(zhuǎn)換有關(guān)。

對于訓(xùn)練數(shù)據(jù)，該實(shí)驗(yàn)均為安靜環(huán)境下錄制，避免引入無關(guān)的環(huán)境噪聲，因?yàn)榄h(huán)境噪聲有很大的隨機(jī)性，且深度學(xué)習(xí)作為數(shù)據(jù)驅(qū)動的技術(shù)，在數(shù)據(jù)中加入環(huán)境噪聲會使模型在訓(xùn)練過程中將是否含有環(huán)境噪聲作為檢測的依據(jù)。這對于實(shí)驗(yàn)是非常不利的，模型檢測的依據(jù)應(yīng)該是與設(shè)備相關(guān)的、穩(wěn)定存在的特征。在實(shí)驗(yàn)中疊加噪聲η主要與不同的錄制環(huán)境，以及不同的錄制設(shè)備有關(guān)，因此對于特定錄制設(shè)備、特定錄制距離下H(jω)的分布也是特定的。為了驗(yàn)證模型對含有環(huán)境噪聲的錄制語音檢測的魯棒性，文中也對含有環(huán)境噪聲的錄制語音進(jìn)行了檢測。

綜上分析，對于文中采用的時(shí)頻圖，作為檢測是否為重錄語音的特征，其分布特點(diǎn)在相鄰語音幀之間具有獨(dú)立性并且在特定頻段又具有一致性。

原始語音 重錄語音

如圖2所示，左側(cè)為原始語音時(shí)頻圖，右側(cè)為一種場景下的重錄語音時(shí)頻圖，方框內(nèi)區(qū)域可以直觀地看出，重錄語音引入的變化在某些頻段較為明顯。頻率分辨率的大小是影響特征提取的最關(guān)鍵因素，這是由短時(shí)傅里葉變換中窗函數(shù)長度決定的，窗長度越大，頻率分辨率越高，特征表現(xiàn)越明顯。因此，在傳統(tǒng)信號處理方法檢測重錄語音特征時(shí)，為了提取充分的特征，往往需要很長的語音段，這極大地限制了其適用范圍。文中采用0.2秒語音段作為實(shí)驗(yàn)數(shù)據(jù)，短時(shí)傅里葉變換采用126長度漢寧(Hanning)窗，步長為50，時(shí)頻圖的尺寸為(64×62)。模型適用于絕大多數(shù)應(yīng)用場景，并且實(shí)驗(yàn)結(jié)果證明具有很好的效果。

文中在頻率維度進(jìn)行卷積，同時(shí)在時(shí)間維度進(jìn)行池化。只在頻率維度進(jìn)行卷積(3×1)，不考慮時(shí)間維度的相關(guān)性，能極大地減少卷積核參數(shù)量，使得模型有更強(qiáng)的抗過擬合能力，減少對數(shù)據(jù)量的過度依賴，同時(shí)在訓(xùn)練過程中由于卷積核的參數(shù)共享，時(shí)間維度具有同分布設(shè)備的特征信息重復(fù)訓(xùn)練卷積核參數(shù)，可以使訓(xùn)練更加充分。池化層采用時(shí)間維度的池化(1×2)，頻率維度不進(jìn)行池化。池化能減少特征的維度，加快網(wǎng)絡(luò)的計(jì)算，并且使網(wǎng)絡(luò)結(jié)構(gòu)對數(shù)據(jù)特征的伸縮、變形有更強(qiáng)的魯棒性，但池化在減少數(shù)據(jù)維度的同時(shí)也會丟失很多的特征信息，對于時(shí)頻圖，特征分布不存在伸縮與變形，只在時(shí)間維度池化，既減少了特征維度，同時(shí)又不會導(dǎo)致頻率維度特征的丟失，這在文中卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中極為重要。通過多層卷積與池化計(jì)算，特征維度最終變?yōu)橐痪S，長度與時(shí)頻圖頻率相同。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)采用0.2秒時(shí)長語音段，原始語音庫由300個(gè)說話人共100分鐘的語音，每人語音時(shí)長為20秒，均是經(jīng)過裁剪處理，不包含明顯的靜音片段，抽樣頻率16 kHz，量化精度16 bits。已有的研究報(bào)道均不考慮訓(xùn)練樣本和測試樣本在不同場景下的錄制，而這不符合實(shí)際場景。為此，該實(shí)驗(yàn)語音庫用不同的錄音設(shè)備及在不同的錄音距離下重錄，以測試算法的通用性。隨機(jī)抽選50位發(fā)言人的語音作為測試數(shù)據(jù)，其余250人的語音用于訓(xùn)練，避免同一位發(fā)言者的錄音出現(xiàn)在不同數(shù)據(jù)集，保證訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的獨(dú)立性。

具體錄制過程如下：對于訓(xùn)練集，在安靜環(huán)境下由不同距離和設(shè)備組合對原始語音庫重錄4次，由此獲得4個(gè)重錄語音庫，它們分別包含25 000段語音。原始語音通過手提電腦聯(lián)想Y40-70AT-IFI播放；重錄設(shè)備是手提電腦戴爾(Inspiron)靈越14(Ins14VD-258)和智能手機(jī)小米2S。4次錄制的情況如表2中編號為t的數(shù)據(jù)。

對于測試數(shù)據(jù)，采用與訓(xùn)練集相同的錄制設(shè)置。為了驗(yàn)證模型對具有環(huán)境隨機(jī)噪聲干擾的語音的魯棒性，分別在室內(nèi)安靜環(huán)境與有一定隨機(jī)噪聲的室內(nèi)環(huán)境下錄制，測試集共包含8個(gè)語音庫，每個(gè)語音庫包含該庫錄制模式下共25 000條測試語音，如表2中編號為s的數(shù)據(jù)。

表2 語音錄制情況

數(shù)據(jù)輸入網(wǎng)絡(luò)之前需要進(jìn)行預(yù)處理，過程如下：對每個(gè)語音段進(jìn)行短時(shí)傅里葉變換，語音采樣率為16 kHz，量化精度16 bit，采用126長度漢寧(Hanning)窗，步長為50。全部數(shù)據(jù)在輸入網(wǎng)絡(luò)前要經(jīng)過歸一化處理，先計(jì)算整個(gè)訓(xùn)練集數(shù)據(jù)的均值μ與標(biāo)準(zhǔn)差σ，然后對數(shù)據(jù)樣本x'進(jìn)行減均值，除以標(biāo)準(zhǔn)差來進(jìn)行歸一化，最后得到經(jīng)過預(yù)處理的數(shù)據(jù)x。

(3)

3.2 訓(xùn)練網(wǎng)絡(luò)

文中網(wǎng)絡(luò)誤差函數(shù)為交叉熵?fù)p失函數(shù)，采用Adam優(yōu)化算法進(jìn)行訓(xùn)練，初始學(xué)習(xí)率設(shè)置為0.001，并在訓(xùn)練過程中動態(tài)調(diào)整學(xué)習(xí)率，每訓(xùn)練10 000次將學(xué)習(xí)率減小一倍，每次訓(xùn)練批量大小為32。為了在訓(xùn)練過程中監(jiān)督訓(xùn)練效果，從訓(xùn)練數(shù)據(jù)中隨機(jī)選取2 000條數(shù)據(jù)用于驗(yàn)證，通過對比訓(xùn)練數(shù)據(jù)損失函數(shù)與驗(yàn)證數(shù)據(jù)損失函數(shù)，為損失函數(shù)加入正則化項(xiàng)并設(shè)置正則化系數(shù)為0.000 1能有效防止過擬合。

表3列出了訓(xùn)練過程中的一些重要的超參數(shù)設(shè)置，在訓(xùn)練過程中不斷監(jiān)測訓(xùn)練損失與驗(yàn)證損失，并挑選訓(xùn)練損失小并且與驗(yàn)證損失較為接近時(shí)的模型作為測試模型。在該超參數(shù)設(shè)置下網(wǎng)絡(luò)在訓(xùn)練過程中能夠快速收斂，并且最終取模型得到相當(dāng)高的精確度。

3.3 測試結(jié)果

重錄語音檢測涉及多個(gè)影響因子，包括錄制設(shè)備、錄制距離以及錄制環(huán)境等。為了驗(yàn)證不同的影響因子對于網(wǎng)絡(luò)的影響，分別對不同的錄制語音進(jìn)行實(shí)驗(yàn)，訓(xùn)練多個(gè)模型并分別對測試數(shù)據(jù)進(jìn)行測試，以此來分析各因素對網(wǎng)絡(luò)檢測率的影響，并通過實(shí)驗(yàn)結(jié)果的分析，從而提出最終的訓(xùn)練模型。具體內(nèi)容如下：分別以原始語音t為正樣本與不同重錄語音作為負(fù)樣本的組合來訓(xùn)練網(wǎng)絡(luò)，以t1為負(fù)樣本訓(xùn)練得到模型M1，以t2為負(fù)樣本訓(xùn)練得到模型M2，以t3為負(fù)樣本訓(xùn)練得到模型M3,以t4為負(fù)樣本訓(xùn)練得到模型M4，分別從t1、t2、t3、t4數(shù)據(jù)集中等比例采樣組成訓(xùn)練集負(fù)樣本訓(xùn)練得到模型M5作為最終的模型。測試結(jié)果如下：

(1)驗(yàn)證錄制設(shè)備對網(wǎng)絡(luò)的影響。

分別以模型M1、M2對測試數(shù)據(jù)s、s1、s2進(jìn)行測試，其中s為原始語音的測試數(shù)據(jù)。在錄制環(huán)境與錄制距離相同條件下研究錄制設(shè)備對模型的影響，測試結(jié)果如表4所示。

表4 不同錄制設(shè)備的測試結(jié)果

測試結(jié)果表明，在錄制距離與錄制環(huán)境條件相同時(shí)，重錄設(shè)備對于模型的影響較大，相同設(shè)備的重錄語音訓(xùn)練的模型對同設(shè)備下的重錄語音有較高的檢測率，而對其他設(shè)備的重錄語音檢測率不理想。如表4所示，使用t1數(shù)據(jù)訓(xùn)練的模型對于s2數(shù)據(jù)檢測率為93.7%，低于其相同錄制條件下的測試數(shù)據(jù)，而對于t2數(shù)據(jù)訓(xùn)練的模型對s1數(shù)據(jù)的檢測率低至31.4%，甚至低于隨機(jī)猜測。并且，不同設(shè)備對于模型的影響大小也不相同，由表4中可知采用電腦重錄語音訓(xùn)練的模型比手機(jī)重錄語音訓(xùn)練的模型有更好的魯棒性。

(2)驗(yàn)證錄制距離對網(wǎng)絡(luò)的影響。

以模型M2、M3、M4分別對測試數(shù)據(jù)s、s2、s3進(jìn)行測試，在錄制設(shè)備與錄制環(huán)境相同條件下研究錄制距離對模型的影響，測試結(jié)果如表5所示。

表5 不同錄制距離的測試結(jié)果

測試結(jié)果表明，不同的錄制距離對網(wǎng)絡(luò)影響較大，相同錄制距離的重錄語音訓(xùn)練的模型對相同錄制距離的重錄語音檢測率較高，均能達(dá)到99.9%以上，而錄制距離不同的情況下檢測率則較低，并且隨著距離的差距增加檢測率不斷下降，20 cm的重錄語音訓(xùn)練的模型，對于40 cm的重錄語音檢測率僅為30.12%，對于60 cm的重錄語音檢測幾乎全部錯(cuò)誤。對于60 cm的重錄語音訓(xùn)練的模型也有相似的結(jié)果。由表5實(shí)驗(yàn)結(jié)果可知，40 cm距離的重錄語音對于20 cm、60 cm的重錄語音有不錯(cuò)的檢測率，原因是其特征與這兩種錄制距離的重錄語音有更多的相似性，因此模型能夠通過這些特征來進(jìn)行判定，而隨著距離差距的增大，特征變化更大，對應(yīng)的模型只能識別該距離下的重錄語音特征。

(3)驗(yàn)證錄制環(huán)境對網(wǎng)絡(luò)的影響。

分別以模型M1、M2、M3、M4測試其對應(yīng)錄制條件下安靜與有噪聲的重錄語音，測試結(jié)果如表6所示。

測試結(jié)果表明，模型對于有少量隨機(jī)噪聲的重錄語音檢測率略低于安靜環(huán)境下重錄語音，但是影響有限。隨機(jī)噪聲會為重錄語音引入新的特征，這對模型的檢測會有一定的干擾，但同時(shí)，無論是否含有噪聲，重錄語音對設(shè)備和錄制距離的特征是比較穩(wěn)定的，并且占據(jù)極大的比例，這些特征是區(qū)分原始語音與重錄語音更重要、更穩(wěn)定的特征。由表6測試結(jié)果可知，文中提出的網(wǎng)絡(luò)結(jié)構(gòu)對于不同錄制環(huán)境下的重錄語音都有較好的檢測率，高達(dá)99.8%以上，表明該網(wǎng)絡(luò)結(jié)構(gòu)對重錄語音中的隨機(jī)環(huán)境噪聲有良好的魯棒性。

表6 不同錄制環(huán)境的測試結(jié)果

以上實(shí)驗(yàn)表明，錄制設(shè)備、錄制距離、錄制環(huán)境等影響因素對于模型都有不同程度的影響，單一條件下的重錄語音所訓(xùn)練的模型對不同條件下的重錄語音魯棒性較低。因此為了提高模型對不同錄制設(shè)備、錄制距離以及錄制環(huán)境下的重錄語音的檢測能力，需要對訓(xùn)練數(shù)據(jù)數(shù)據(jù)集進(jìn)行合理的設(shè)置，訓(xùn)練集應(yīng)更多地包含各種不同條件下的重錄語音數(shù)據(jù)，這樣網(wǎng)絡(luò)結(jié)構(gòu)才能學(xué)習(xí)更多不同錄制設(shè)備、錄制距離以及錄制環(huán)境下的重錄語音特征，從而提高模型的識別能力，提高對于各種場景下的重錄語音的魯棒性。

(4)多場景訓(xùn)練數(shù)據(jù)組合訓(xùn)練模型。

為了提高模型對不同場景下的重錄語音的檢測能力，采取多錄音條件下的數(shù)據(jù)組成訓(xùn)練集，對模型進(jìn)行訓(xùn)練，具體內(nèi)容如下：分別從t1、t2、t3、t4數(shù)據(jù)庫中等比例各隨機(jī)抽取四分之一數(shù)據(jù)并與原始語音共同組成訓(xùn)練集，然后使用該訓(xùn)練集對模型進(jìn)行訓(xùn)練得到模型M5，并分別對測試集數(shù)據(jù)進(jìn)行測試。測試結(jié)果如表7所示。

表7 三種錄制條件綜合下的測試結(jié)果

由測試結(jié)果可知，采用多條件重錄語音所組成的訓(xùn)練集能極大提高模型的魯棒性，對不同情況下的重錄語音測試精確度都比較高，均能達(dá)到99.8%以上。采用多條件下的重錄語音組成訓(xùn)練集，極大地豐富了訓(xùn)練數(shù)據(jù)的特征信息，通過充分訓(xùn)練，模型能夠提取不同錄制設(shè)備、錄制距離等特征信息，同時(shí)也使原始語音與重錄語音的特征更有分辨性。測試結(jié)果表明，在采用多條件下重錄語音進(jìn)行訓(xùn)練的模型對各種不同錄制設(shè)備、錄制距離以及錄制環(huán)境下的重錄語音都有良好的檢測率，此條件下訓(xùn)練的模型具有更好的魯棒性。

綜上所述，不同的錄制設(shè)備、錄制距離以及錄制環(huán)境都會對模型的檢測造成不同程度的影響，采用單一條件下的重錄語音訓(xùn)練的模型不具有通用性，泛化能力不足。因此文中網(wǎng)絡(luò)結(jié)構(gòu)采用不同錄制條件下的重錄語音的組合數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果表明該網(wǎng)絡(luò)結(jié)構(gòu)有良好的魯棒性，對于不同錄制設(shè)備、錄制距離以及錄制環(huán)境下重錄語音都具有極高的檢測性能，表明提出的卷積神經(jīng)網(wǎng)絡(luò)能很好地解決重錄語音攻擊的檢測問題，并且具有對較短語音段的檢測能力。

4 結(jié)束語

之前對于重錄語音的檢測，更多集中于傳統(tǒng)的信號處理方法，特征提取的算法有很大的局限性，算法復(fù)雜，同時(shí)為了提取充分的特征，對語音段的長度有較大的要求，這對算法的實(shí)用性是很大的限制。文中提出的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以在極短語音段上提取充分的特征信息，依據(jù)語音信號的時(shí)頻特征進(jìn)行特殊設(shè)計(jì)，運(yùn)用特殊的卷積核設(shè)置，與時(shí)頻圖的特征分布特點(diǎn)高度契合，并且模型參數(shù)量較少，大大降低了模型過擬合風(fēng)險(xiǎn)。同時(shí)對錄制設(shè)備、錄制距離以及錄制環(huán)境等影響因子進(jìn)行了實(shí)驗(yàn)研究，結(jié)果表明通過增加訓(xùn)練集數(shù)據(jù)的豐富性能極大地提高模型的魯棒性，通過采用多場景下的重錄語音混合數(shù)據(jù)進(jìn)行訓(xùn)練，模型取得了最好的效果。為了驗(yàn)證該算法地性能以及通用性，網(wǎng)絡(luò)分別對不同錄制設(shè)備、不同錄制距離及不同錄制環(huán)境下的重錄語音進(jìn)行測試，其結(jié)果的精確度可達(dá)99.8%以上。實(shí)驗(yàn)結(jié)果表明，該網(wǎng)絡(luò)能夠有效地學(xué)習(xí)到標(biāo)準(zhǔn)信號處理無法解決的強(qiáng)大的特征表示，并能獲得較高的識別精度；該卷積神經(jīng)網(wǎng)絡(luò)模型對于不同錄制場景和設(shè)備的重錄語音檢測具有通用性。