面向復(fù)雜聲學(xué)環(huán)境的偽裝語音檢測(cè)*

周 曄章堅(jiān)武*程繼承

(1.杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018；2.浙江宇視科技有限公司，浙江 杭州 310051)

自動(dòng)說話人驗(yàn)證(Automatic Speaker Verification，ASV)作為一種身份識(shí)別技術(shù)，旨在根據(jù)傳感器采集的語音樣本對(duì)給定人聲稱的身份進(jìn)行驗(yàn)證[1]。近年來，由于采集傳感設(shè)備的發(fā)展，該技術(shù)受到了廣泛的關(guān)注，并應(yīng)用于智能設(shè)備登錄、門禁控制、網(wǎng)上銀行等方面。但是各類語音偽裝技術(shù)威脅著ASV系統(tǒng)的安全性能，目前確定了四種類型的偽裝語音欺騙攻擊[2]:語音合成、語音轉(zhuǎn)換(Voice Conversion，VC)、語音模仿、重播，它們可生成類似于合法用戶語音的偽裝語音。以語音合成[3-4]和語音轉(zhuǎn)換[5-6]為主的邏輯訪問(Logical Access，LA)攻擊在過去十年中取得了巨大進(jìn)展，因此區(qū)分偽裝語音與真實(shí)用戶語音變得更具挑戰(zhàn)性。越來越多的研究證實(shí)，ASV系統(tǒng)在面對(duì)針對(duì)數(shù)據(jù)庫的各種惡意欺騙攻擊時(shí)存在嚴(yán)重脆弱性[7-8]。

為了應(yīng)對(duì)欺騙攻擊威脅，研究人員一直致力于尋求有效的反欺騙方法，目前語音欺騙檢測(cè)系統(tǒng)主要由前端特征提取和后端分類器兩部分組成。與一般的說話人驗(yàn)證和語音處理所使用的聲學(xué)特征不同，語音欺騙檢測(cè)需要開發(fā)更適用于語音欺騙檢測(cè)的聲學(xué)特征[9]。經(jīng)聲學(xué)特征提取后，使用性能出色的分類器以完成真?zhèn)握Z音區(qū)分。在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中，高斯混合模型[10](Gaussian Mixture Model，GMM)是最經(jīng)典的分類模型，其優(yōu)勢(shì)在于訓(xùn)練時(shí)間短，但檢測(cè)準(zhǔn)確性有限；隨著深度學(xué)習(xí)的興起，各類能夠?qū)W習(xí)復(fù)雜非線性特征的深度神經(jīng)網(wǎng)絡(luò)也被應(yīng)用于語音欺騙檢測(cè)，Zhang等[11]提出CNN-RNN檢測(cè)系統(tǒng)，以CNN提取音頻特征、以RNN捕獲跨時(shí)域的長(zhǎng)期依賴關(guān)系進(jìn)而實(shí)現(xiàn)檢測(cè)。Wu等[12]將特征基因轉(zhuǎn)換器與LCNN分類器結(jié)合，使真?zhèn)握Z音差異最大化。雖然現(xiàn)有方法的訓(xùn)練性能均有所提升，但在實(shí)際應(yīng)用中會(huì)遭遇未知類型攻擊，而這些攻擊通常與已知攻擊具有不同的統(tǒng)計(jì)分布，從而造成訓(xùn)練和應(yīng)用之間巨大的性能差距，這表明欺騙檢測(cè)系統(tǒng)對(duì)未知攻擊的泛化能力仍待改進(jìn)。

此外，由于現(xiàn)實(shí)情況中多為復(fù)雜聲學(xué)環(huán)境，如存在多源環(huán)境噪聲、混響和信道干擾等[13]，并都可造成語音質(zhì)量退化，因而將其統(tǒng)稱為環(huán)境干擾。各類欺騙檢測(cè)系統(tǒng)面對(duì)復(fù)雜的聲學(xué)環(huán)境時(shí)，存在性能大幅倒退情況。針對(duì)此問題，Park等[14]提出SpecAugment數(shù)據(jù)增強(qiáng)方法，該方法對(duì)輸入音頻的對(duì)數(shù)梅爾頻譜圖進(jìn)行操作，但它從數(shù)據(jù)中完全去除干擾音頻的同時(shí)，也刪除了有用信息，一定程度上不利于后續(xù)檢測(cè)。Li等[15]通過基于注意力機(jī)制的LSTM來調(diào)整權(quán)重進(jìn)而自動(dòng)選擇特定的、有代表性的幀級(jí)特征用于嘈雜環(huán)境中的欺騙檢測(cè)，但改善程度有限。本文針對(duì)去除環(huán)境干擾過程進(jìn)行改進(jìn)，構(gòu)建了深度殘差收縮網(wǎng)絡(luò)。

本文的主要貢獻(xiàn)包括2個(gè)方面:

①針對(duì)復(fù)雜聲學(xué)環(huán)境下的語音欺騙檢測(cè)，本文構(gòu)建深度殘差收縮網(wǎng)絡(luò)(Deep Residual Shrinkage Networks，DRSN)，設(shè)計(jì)了包含基于深度注意力機(jī)制的自適應(yīng)閾值學(xué)習(xí)模塊和軟閾值模塊的殘差收縮構(gòu)建單元(Residual Shrinkage Building Unit，RSBU)，在無需專業(yè)人士手動(dòng)執(zhí)行環(huán)境狀態(tài)監(jiān)測(cè)的情況下，每個(gè)語音信號(hào)可依據(jù)各自聲學(xué)環(huán)境中不同干擾水平確定獨(dú)立閾值，在不損害有用信息的同時(shí)將干擾特征強(qiáng)制置零，實(shí)現(xiàn)自主動(dòng)態(tài)去擾，保留更具辨別性的高級(jí)特征，在復(fù)雜聲學(xué)環(huán)境下既能提高判別特征學(xué)習(xí)能力，又能執(zhí)行高效訓(xùn)練。

②針對(duì)檢測(cè)方法泛化性能差問題，使用三種不同聲學(xué)特征提取算法(CQCC、MFCC和Spectrogram)以更全面地表示語音特性，并將特征分別作為網(wǎng)絡(luò)輸入，依據(jù)其輸出性能為各模型生成權(quán)重，在執(zhí)行多特征聯(lián)合檢測(cè)中平衡不同模型特點(diǎn)、實(shí)現(xiàn)優(yōu)勢(shì)補(bǔ)充以提升系統(tǒng)泛化性。

1 相關(guān)工作

1.1 殘差網(wǎng)絡(luò)ResNet

深度殘差網(wǎng)絡(luò)(ResNet)是卷積網(wǎng)絡(luò)中極具吸引力的變體，它使用恒等路徑(Identity Shortcut)來減輕參數(shù)優(yōu)化的難度[16]。對(duì)于一般的卷積網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)加深時(shí)，反向傳播的梯度間相關(guān)性會(huì)越來越差，網(wǎng)絡(luò)表征能力不增反退，但由于ResNet中存在由非線性層和恒等路徑所組成的殘差單元(Residual Building Unit，RBU)，可很好地改善該問題，如圖1所示。在ResNet中，梯度不僅能便捷地逐層反向傳播，而且通過恒等路徑可直接回流至起始層，從而高效地更新參數(shù)以減輕網(wǎng)絡(luò)的訓(xùn)練難度[17]。

圖1 RBU的結(jié)構(gòu)

鑒于ResNet的優(yōu)良性能，有學(xué)者將其引入作為語音欺騙檢測(cè)的后端分類器。Alzantot等[18]使用不同的特征提取算法將原始語音波形轉(zhuǎn)換為2D特征表示，再將該2D特征表示輸出至采用跳躍連接的ResNet中，一定程度地提高了檢測(cè)準(zhǔn)確率。Chen等[19]在ResNet的基礎(chǔ)上通過使用大邊距余弦損失函數(shù)(LMCL)和在線頻率掩蔽增強(qiáng)來迫使網(wǎng)絡(luò)學(xué)習(xí)更強(qiáng)大的特征嵌入。

本文所使用的深度殘差收縮網(wǎng)絡(luò)(DRSN)[20]在ResNet的基礎(chǔ)上，增加基于深度注意力機(jī)制的自適應(yīng)閾值學(xué)習(xí)模塊和軟閾值模塊以進(jìn)一步提升其性能，詳細(xì)介紹見第2節(jié)。

1.2 聲學(xué)特征

本節(jié)將重點(diǎn)介紹本語音欺騙檢測(cè)方法所使用的聲學(xué)特征。

①常數(shù)Q倒譜系數(shù)CQCC

CQCC(Constant Q Cepstral Coefficient)[21]時(shí)間和頻率分辨率可變，能夠可靠地捕獲欺騙攻擊的一些信息，并且它的結(jié)構(gòu)對(duì)情景和欺騙攻擊是同時(shí)敏感的。CQCC特征是利用常數(shù)Q變換(CQT)結(jié)合傳統(tǒng)倒譜分析而獲得的，CQT使用幾何的頻率間隔，在較低頻率下提供高頻率分辨率，在較高頻率下提供高時(shí)間分辨率，因而對(duì)大多欺騙攻擊感知敏感。為計(jì)算CQCC，在應(yīng)用CQT后再計(jì)算功率譜并取對(duì)數(shù)，接著進(jìn)行均勻重采樣，最后通過離散余弦變換以獲得CQCC特征。

②梅爾頻率倒譜系數(shù)MFCC

MFCC(Mel Frequency Cepstral Coefficient)[22]是基于人耳聽覺特性提出，具有良好的識(shí)別性能和抗噪性能，廣泛應(yīng)用于自動(dòng)語音和ASV。MFCC模擬了人類聽覺處理語音時(shí)的非線性特點(diǎn)，對(duì)于不同頻率語音信號(hào)的靈敏度不同。MFCC特征是先計(jì)算短時(shí)傅立葉變換(STFT)，再通過濾波器組將頻譜映射到梅爾頻譜，最后經(jīng)過離散余弦變換而得到。

③聲譜圖Spectrogram

對(duì)原始信號(hào)進(jìn)行分幀加窗后完成短時(shí)傅里葉變換，并計(jì)算每個(gè)分量的大小最后將其轉(zhuǎn)換為對(duì)數(shù)刻度，捕獲輸入音頻波形的時(shí)頻特性。相比于CQCC和MFCC特征，由于該特征并未過多地進(jìn)行人工工學(xué)特征處理，因而更加貼合輸入的原始數(shù)據(jù)，且研究表明[23-24]，深度學(xué)習(xí)模型能夠通過輸入原始數(shù)據(jù)自動(dòng)進(jìn)行學(xué)習(xí)，在隱藏層內(nèi)執(zhí)行更高級(jí)別的特征表示。

2 語音檢測(cè)模型

在本節(jié)中，首先介紹基于深度殘差收縮網(wǎng)絡(luò)(DRSN)的多特征聯(lián)合語音欺騙檢測(cè)方法的整體架構(gòu)，然后分別介紹實(shí)現(xiàn)動(dòng)態(tài)消除環(huán)境干擾的殘差收縮構(gòu)建單元(RSBU)和平衡不同模型特點(diǎn)、實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)的聯(lián)合檢測(cè)單元。

以CQCC、MFCC及Spectrogram三個(gè)聲學(xué)特征作為輸入，先對(duì)特征圖進(jìn)行卷積以減少網(wǎng)絡(luò)訓(xùn)練的參數(shù)量，降低過擬合現(xiàn)象發(fā)生的可能性，隨后將經(jīng)過卷積處理的特征分別傳入DRSN，構(gòu)建MFCCDRSN、CQCC-DRSN和Spectrogram-DRSN模型?？紤]到在一般欺騙檢測(cè)任務(wù)中，真實(shí)語音數(shù)量遠(yuǎn)少于偽裝語音數(shù)量，所有模型都使用最小化加權(quán)交叉熵?fù)p失函數(shù)進(jìn)行訓(xùn)練，其中分配給真實(shí)語音和偽裝語音的權(quán)重之比為9∶1，以減輕訓(xùn)練數(shù)據(jù)分布的不平衡。此外，在全連接層(FC)中設(shè)置比率為0.5的Dropout，從而增強(qiáng)每層各個(gè)特征之間的正交性。隨后將3個(gè)單類特征-DRSN檢測(cè)模型結(jié)果輸入至聯(lián)合檢測(cè)單元，得到最終判決結(jié)果，如圖2所示。

圖2 基于DRSN檢測(cè)方法整體架構(gòu)

2.1 殘差收縮構(gòu)建單元RSBU

鑒于音頻數(shù)據(jù)制作中會(huì)不可避免地存在環(huán)境噪聲、混響和信道干擾等環(huán)境干擾，干擾的存在會(huì)降低神經(jīng)網(wǎng)絡(luò)提取偽裝語音特征信號(hào)的能力，為去除復(fù)雜聲學(xué)環(huán)境對(duì)檢測(cè)的影響，本文參考ResNet中的殘差單元(RBU)，設(shè)計(jì)了DRSN中的殘差收縮構(gòu)建單元(RSBU)，殘差收縮構(gòu)建單元包含基于深度注意力機(jī)制的自適應(yīng)閾值學(xué)習(xí)模塊和軟閾值模塊，如圖3所示。

圖3 殘差收縮構(gòu)建單元RSBU

①自適應(yīng)閾值學(xué)習(xí)模塊

在消除環(huán)境干擾過程中，閾值參數(shù)通常根據(jù)專家的先驗(yàn)知識(shí)而給出，監(jiān)測(cè)成本高且波動(dòng)較大。其次音頻數(shù)據(jù)制作環(huán)境各異，因而很難逐一設(shè)置最佳閾值。針對(duì)此問題，通過增設(shè)自適應(yīng)閾值學(xué)習(xí)模塊，可以注意每個(gè)音頻的聲學(xué)環(huán)境情況自主確定最佳閾值，并將該值提供給軟閾值模塊實(shí)現(xiàn)動(dòng)態(tài)消除環(huán)境干擾。在該模塊中首先對(duì)特征圖x∈?C×W×H取絕對(duì)值、使用全局平均池化降低特征維度為x∈?C×1×1，增強(qiáng)感受野。其次在兩層全連接層之間添加BN和ReLU[25]，前者可以將特征調(diào)整為標(biāo)準(zhǔn)正態(tài)分布或理想的分布，從而減少內(nèi)部協(xié)變漂移，防止梯度消失，提升收斂速度，后者可以引入非線性變換，學(xué)習(xí)特征間的相關(guān)性，增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力。隨之經(jīng)過全連接層后獲得縮放參數(shù)，最后利用sigmoid函數(shù)使縮放參數(shù)至(0，1)的范圍內(nèi)，可表示為:

式中:z c是第C個(gè)神經(jīng)元的特征，αc是與之對(duì)應(yīng)的縮放系數(shù)?？s放系數(shù)看作是經(jīng)過特征學(xué)習(xí)后對(duì)每個(gè)特征通道聲學(xué)環(huán)境的評(píng)判結(jié)果。

由于后續(xù)軟閾值模塊所需閾值不僅需要為正，而且不能太大。為了讓閾值保持在合理范圍內(nèi)，將各通道縮放系數(shù)αc與經(jīng)過取模、全局平均池化操作的特征數(shù)據(jù)相乘得到獨(dú)立的閾值，閾值公式定義為:

式中:τc是特征圖第C個(gè)通道的閾值，C、W和H分別是特征圖x的通道數(shù)、寬和高。

②軟閾值模塊

軟閾值模塊作為非線性變換層插入到殘差收縮構(gòu)建單元(RSBU)中，可以根據(jù)當(dāng)前環(huán)境干擾狀況靈活地實(shí)現(xiàn)去擾，突出高判別性的聲音信息。軟閾值函數(shù)可以表示為:

式中:x為輸入特征，y為輸出特征，τ為閾值。

軟閾值處理過程將小于閾值的干擾數(shù)據(jù)置零，保留有用的正負(fù)特征，生成無擾且具高判別性的特征y∈?C×W×H。軟閾值函數(shù)的導(dǎo)數(shù)如式(4)所示，由于輸出對(duì)輸入的導(dǎo)數(shù)取0或1，可有效防止梯度消失和爆炸問題。

軟閾值作為收縮函數(shù)，更有利于消除與干擾相關(guān)的信息，多個(gè)RSBU堆疊使用可加強(qiáng)各種非線性變換以提高判別特征的學(xué)習(xí)能力。

2.2 多特征聯(lián)合檢測(cè)單元

隨著欺騙算法的更迭，可制作出在感知上與真正語音無法區(qū)分的偽裝語音。但如沙啞、呼吸急促聲、說話速度等行為特征是不可能完全合成的。此外，說話人的音高、音長(zhǎng)、音色等高級(jí)特征也是作為判別標(biāo)準(zhǔn)的潛在特征，而這些特征在MFCC、CQCC和Spectrogram語音特征圖上可體現(xiàn)為共振峰、聲波頻率、振動(dòng)幅度、振動(dòng)波形等差異。為有效整合各特征信息并使DRSN高效學(xué)習(xí)，本文將MFCC-DRSN、CQCC-DRSN和Spectrogram-DRSN模型聯(lián)合起來構(gòu)建多特征聯(lián)合檢測(cè)單元，該檢測(cè)單元通過組合能夠平衡不同模型特點(diǎn)、實(shí)現(xiàn)優(yōu)勢(shì)補(bǔ)充進(jìn)而提高檢測(cè)系統(tǒng)整體性能。將使用性能最好的訓(xùn)練模型參數(shù)應(yīng)用于評(píng)估數(shù)據(jù)集，經(jīng)過模型檢測(cè)后得到單類特征-DRSN模型分?jǐn)?shù)文件，分?jǐn)?shù)計(jì)算公式為:

式中:ν表示給定的音頻文件，θ表示模型參數(shù)。

通過對(duì)分?jǐn)?shù)文件的加權(quán)融合以實(shí)現(xiàn)聯(lián)合檢測(cè)，檢測(cè)分?jǐn)?shù)在多項(xiàng)式回歸的邏輯函數(shù)中融合，表示為:

式中:N為融合模型數(shù)量，w i為融合權(quán)重，s i為單類模型分?jǐn)?shù)。

以三個(gè)單類特征-DRSN模型檢測(cè)分?jǐn)?shù)為自變量、以檢測(cè)結(jié)果為因變量建立邏輯回歸模型:

經(jīng)模型處理得出回歸常數(shù)并對(duì)其進(jìn)行歸一化處理，最終獲得模型的權(quán)重，通過式(7)的線性融合可進(jìn)一步校準(zhǔn)輸出分?jǐn)?shù)。

3 實(shí)驗(yàn)及結(jié)果

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用ASVspoof 2019 LA數(shù)據(jù)集，數(shù)據(jù)集的基本語音樣本采集于107位說話者，且每個(gè)說話者都采集一定數(shù)量的樣本，一部分作為真實(shí)語音，另一部分使用欺騙算法產(chǎn)生偽裝語音。所有真實(shí)語音和偽裝語音被隨機(jī)分為三個(gè)子集:訓(xùn)練集、開發(fā)集和評(píng)估集，且各子集間說話人不存在重疊。其中訓(xùn)練集為2 580條真實(shí)語音和22 800條偽裝語音；開發(fā)集為2 548條真實(shí)語音和22 296條偽裝語音；測(cè)試集為7 335條真實(shí)語音和64 578條偽裝語音。具體數(shù)據(jù)情況見表1。

表1 ASVspoof2019 LA數(shù)據(jù)集說話人和語音數(shù)量

偽裝語音是由17種語音合成、語音轉(zhuǎn)換和混合系統(tǒng)組成的不同陣列創(chuàng)建。它們的波形生成方法、聲學(xué)模型和欺騙算法都各不相同[26]。A01-A06被指定為已知的欺騙攻擊用于訓(xùn)練集和開發(fā)集，評(píng)估集使用A07-A19欺騙攻擊，除A16和A19使用的算法分別與A04和A06相同外，共含有11種未知的欺騙攻擊，具體情況見表2。

表2 ASVspoof2019 LA數(shù)據(jù)集欺騙攻擊系統(tǒng)

雖然大多數(shù)用于檢測(cè)的數(shù)據(jù)集由高質(zhì)量信號(hào)組成，但語音信號(hào)到達(dá)檢測(cè)系統(tǒng)前通常會(huì)受到許多外在條件的影響，包括加性噪聲、傳輸通道(包括壓縮偽影和低帶寬)和混響等由環(huán)境或信道引起的失真，所以在實(shí)際檢測(cè)中聲學(xué)環(huán)境多樣且復(fù)雜。

3.2 評(píng)價(jià)指標(biāo)

本文采用最小串聯(lián)檢測(cè)成本函數(shù)(t-DCF)和等錯(cuò)誤率(EER)作為評(píng)價(jià)語音欺騙檢測(cè)系統(tǒng)的指標(biāo)。

①最小串聯(lián)檢測(cè)成本函數(shù)t-DCF

將固定參數(shù)的ASV系統(tǒng)與語音欺騙檢測(cè)系統(tǒng)進(jìn)行串聯(lián)，使用t-DCF指標(biāo)評(píng)估串聯(lián)系統(tǒng)的整體性能:

②等錯(cuò)誤率EER

使用等錯(cuò)誤率(EER)指標(biāo)獨(dú)立評(píng)估語音欺騙檢測(cè)系統(tǒng)的性能，EER表示錯(cuò)誤接受的概率等于錯(cuò)誤拒絕的概率，等錯(cuò)誤率值越低，檢測(cè)系統(tǒng)的準(zhǔn)確度越高。

3.3 模型實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證所設(shè)計(jì)系統(tǒng)模型的有效性和輸入特征對(duì)檢測(cè)性能的影響，本文設(shè)置了10組實(shí)驗(yàn)，具體情況為

①Baseline CQCC-GMM:Asvspoof2019比賽中的基線系統(tǒng)之一，以16 kHz的采樣頻率和16的重采樣周期獲得CQCC系數(shù)，后端分類器為高斯混合模型。

②Baseline LFCC-GMM:Asvspoof2019比賽中的基線系統(tǒng)之一，使用20通道數(shù)的三角形線性間隔濾波器組獲得LFCC系數(shù)，后端分類器為高斯混合模型。

③CQCC-ResNet:Asvspoof2019比賽的先進(jìn)系統(tǒng)模型，以CQCC為輸入特征，后端分類器為ResNet，ResNet中堆疊9個(gè)RBU。

④MFCC-ResNet:與③類似，以MFCC為輸入特征，ResNet中堆疊6個(gè)RBU。

⑤Spectrogram-ResNet:與③類似，以Spectrogram為輸入特征，ResNet中堆疊6個(gè)RBU。

⑥CQCC-DRSN:本文單類特征檢測(cè)模型之一，以CQCC為輸入特征，后端分類器為DRSN，batch size為32，DRSN中堆疊7個(gè)RSBU。

⑦M(jìn)FCC-DRSN:與⑥類似，以MFCC為輸入特征，DRSN中堆疊10個(gè)RSBU。

⑧Spectrogram-DRSN:與⑥類似，以Spectrogram為輸入特征，DRSN中堆疊8個(gè)RSBU。

⑨普通融合:將本文所提出的3個(gè)單類特征檢測(cè)模型執(zhí)行常規(guī)融合。

⑩加權(quán)聯(lián)合檢測(cè):依據(jù)3個(gè)單類特征檢測(cè)模型表現(xiàn)出的性能特點(diǎn)來計(jì)算權(quán)重，而后進(jìn)行加權(quán)融合從而實(shí)現(xiàn)聯(lián)合檢測(cè)。

實(shí)驗(yàn)結(jié)果如表3所示，在開發(fā)集數(shù)據(jù)中，CQCCResNet和Spectrogram-ResNet模型檢測(cè)性能明顯優(yōu)于基線系統(tǒng)，但是在評(píng)估集中僅有CQCC-ResNet模型檢測(cè)效果較好，說明ResNet模型利用已知攻擊算法推廣未知攻擊算法的能力有限。而本文提出三個(gè)單類特征檢測(cè)模型在開發(fā)集中均較基線系統(tǒng)有所提升，且在評(píng)估集中同樣表現(xiàn)出不錯(cuò)的泛化能力。進(jìn)一步地，對(duì)此三個(gè)模型進(jìn)行普通融合，t-DCF和EER分別達(dá)到0.1228、4.30%，而加權(quán)聯(lián)合檢測(cè)模型的t-DCF和EER為0.1122、3.82%，相較于最佳基線系統(tǒng)，其性能分別提升47%和53%，這表明聯(lián)合檢測(cè)單元能夠有效平衡不同模型特點(diǎn)，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)、擴(kuò)大類間差距進(jìn)而提高真?zhèn)握Z音的區(qū)分性。

表3 不同模型在LA數(shù)據(jù)集上的檢測(cè)性能比較

3.4 不同欺騙攻擊效果分析

由于評(píng)估集中存在大量未知欺騙攻擊類型，為了探究不同模型的泛化性能，分析評(píng)估集A07至A19中11種未知攻擊和2種已知攻擊(A16和A19)的t-DCF指標(biāo)，如圖4所示。

圖4 不同模型針對(duì)不同欺騙攻擊的t-DCF分?jǐn)?shù)

由圖4可知，在單類特征-DRSN模型中，Spectrogram-DRSN檢測(cè)效果最佳，MFCC-DRSN次之，CQCCDRSN相對(duì)較差，這表明Spectrogram這類貼合原始數(shù)據(jù)的聲學(xué)特征更適合在DRSN網(wǎng)絡(luò)中學(xué)習(xí)。兩種多特征檢測(cè)方法相比，本文所提出的加權(quán)聯(lián)合檢測(cè)方法總是優(yōu)于普通融合系統(tǒng)，且在所有模型中達(dá)到最佳檢測(cè)效果，證明本文所提出方法的有效性。但是面對(duì)在語音轉(zhuǎn)換挑戰(zhàn)賽中被認(rèn)為具有最高欺騙能力的A17欺騙攻擊類型時(shí)，所有檢測(cè)模型的t-DCF都有所上升。由于A17是基于波形濾波的語音轉(zhuǎn)換攻擊，因而其制作偽裝語音的原始波形中可能包含更多偽裝線索，后續(xù)擬直接使用音頻原始波形作為檢測(cè)網(wǎng)絡(luò)的特征輸入，以有效捕獲更多合成語音中的偽影，進(jìn)而提升對(duì)該類型欺騙攻擊的檢測(cè)性能。

4 總結(jié)

隨著對(duì)語音合成和語音轉(zhuǎn)換等技術(shù)的深入研究，偽裝語音更逼真自然以至于難以辨別，這使得人們對(duì)ASV系統(tǒng)的安全性和欺騙檢測(cè)系統(tǒng)的可靠性愈發(fā)關(guān)注。本文提出一種基于深度殘差收縮網(wǎng)絡(luò)用于邏輯訪問場(chǎng)景的語音欺騙檢測(cè)方法，以CQCC、MFCC和Spectrogram作為前端特征，以DRSN網(wǎng)絡(luò)作為后端分類器，并使用合理的聯(lián)合檢測(cè)方式實(shí)現(xiàn)多特征語音欺騙檢測(cè)。依據(jù)在ASVspoof2019 LA數(shù)據(jù)集上的表現(xiàn)，本文所提模型具有較好的檢測(cè)性能，但是在面對(duì)個(gè)別未知類型的欺騙攻擊時(shí)，未達(dá)到最佳檢測(cè)效果，未來將研究更具普適性的后端分類器，尋找聲學(xué)特征-分類器的最佳組合模型，同時(shí)加強(qiáng)模型間協(xié)作融合以提升系統(tǒng)的泛化性。