通过联合优化与迁移学习提高反欺骗措施的鲁棒性
声音
2024-07-30 v1 音频与语音处理
信号处理
摘要
当前合成语音检测研究主要关注检测系统对未知欺骗方法的泛化能力,但在涉及噪声的挑战性场景中,反欺骗措施(CM)系统性能往往不佳。为增强CM系统的鲁棒性,本文提出了一种基于迁移学习的语音增强前端联合优化(TL-SEJ)方法,探讨其在提高抗噪声和混响鲁棒性方面的效果。我们通过一系列比较实验和消融实验评估了所提方法的性能。实验结果表明,在不同信噪比测试条件下,所提TL-SEJ方法相较于基线提高了2.7%至15.8%的识别准确率。相较于传统数据增强方法,在各种噪声条件下本系统实现了0.7%至5.8%的准确率提升,在不同RT60混响场景下实现了1.7%至2.8%的准确率提升。这些实验表明,所提方法有效提升了在噪声和混响条件下的系统鲁棒性。
引用
@article{arxiv.2407.20111,
title = {Enhancing Anti-spoofing Countermeasures Robustness through Joint Optimization and Transfer Learning},
author = {Yikang Wang and Xingming Wang and Hiromitsu Nishizaki and Ming Li},
journal= {arXiv preprint arXiv:2407.20111},
year = {2024}
}
备注
29 pages, 4 figures, Journal Papers