基于全局-时频注意力网络的语音伪造检测

王成龙 易江燕 陶建华,3 马浩鑫 田正坤 傅睿博

1(中国科学技术大学信息科学技术学院 合肥 230027)

2(模式识别国家重点实验室(中国科学院自动化研究所) 北京 100080)

3(中国科学院大学人工智能学院 北京 100049)

自动说话人验证(automatic speaker verification, ASV)[1-3]是指通过分析说话人的语音来自动接受或拒绝其身份.它作为一种身份识别技术，已经广泛应用于各种场景，例如：电子购物、电话银行、电子商务等.最近，越来越多的研究表明：ASV系统面临着各种伪造语音攻击的问题.常见的伪造语音可以分为4种方式：语音模仿、录音重放、语音合成和语音转换[4].因此，研究人员设法开发出有效的反欺骗系统，以保护ASV系统免受伪造语音的欺骗攻击.

为了提高反欺骗系统的性能，最近的工作主要集中在2个方面：1)改善音频的声学特征;2)设计新的分类模型.选取能够有效区别真实语音和伪造语音的声学特征尤为重要.Todisco等人[5]将常数Q变换倒谱系数(constant Q cepstral coefficients, CQCC)应用于语音鉴伪中，使用常数Q变换(constant Q transform, CQT)而不是短时傅里叶变换来处理语音信号，其性能优于普通的梅尔倒谱系数(Mel frequency cepstrum coefficients, MFCC).Sahidullah等人[6]用线性滤波代替了梅尔刻度滤波，提出了线性频率倒谱系数(linear frequency cepstrum coeffi-cients, LFCC)，使其更加关注高频段特征.此外，Sahidullah等人[6]还尝试了翻转梅尔倒谱系数(inverse Mel frequency cepstrum coefficients, IMFCC)，将原先的梅尔刻度翻转过来，使其在高频段分布更密，从而更专注于高频特征.另一种方法是设计新的分类模型，该模型可以学习到真伪语音的区分表示.高斯混合模型(Gaussian mixture model, GMM)是最常用的分类模型.随着深度学习的发展……