论文部分内容阅读
已有研究及实践均证明语音变形(Voice Transformation,VT)、语音转换(Voice Conversion,VC)、语音合成(Speech Synthesis,SS)及重播语音等多种欺骗性语音能有效地欺骗说话人识别(Automatic Speaker Recognition,ASR)系统,给社会安全带来严重的危害。因此,研究欺骗语音的检测具有重要的理论和实用价值。已有的研究主要利用传统的机器学习方法和一般的卷积神经网络方法,所用特征存在信息不足或深度不够的问题,影响检测算法的性能。为此,本文研究基于密集神经网络的语音欺骗检测,该网络结构能自动提取更深更好的特征,提高了算法的检测性能。本文主要的工作如下:1.针对VT的检测,本文提出基于卷积神经网络(convolutional neural network,CNN)模型的语音变形工具检测算法。所采用的网络模型结构是在卷积神经网络中的密集神经网络的基础上优化得到的。本网络模型共有167层网络层,比起传统网络能够利用更深层次的特征,因此能得到更高的检测精度。实验结果表明该检测算法对同数据库VT欺骗语音所用工具的准确率超过了97.4%,对跨数据库VT欺骗语音所用工具的准确率也有91%以上,说明该算法具有良好的鲁棒性。2.对于VC和SS的的检测,本文构造的检测模型同样基于密集神经网络,该网络共175层网络层,由3个稠密区块组成,并进行特殊的网络结构的设计,采用特殊结构的3?1卷积核和1?2池化器,能够很好的提取时频图的特征,并且防止过拟合。本模型的实验结果表明在同源数据库上的准确率在97%以上,在跨数据库的准确率在94%以上,等错误率(equal error rate,EER)也达到1.44%,说明本模型对于VC和SS的检测具有很好的效果。本文中所提的基于密集神经网络的语音欺骗检测算法可以作为一种基于说话人识别(automatic speaker recognition,ASR)系统的检测模块,使其具备抵抗语音欺骗攻击的能力,对信息安全建设具有重要意义。