ASV与CM任务的联合优化：BTUEF团队提交WildSpoof挑战
音频与语音处理
2026-02-03 v1
摘要
欺骗感知说话人验证（SASV）联合处理自动说话人验证和欺骗反措装，以提高对对抗性攻击的鲁棒性。本文我们最近提出的模块化SASV框架，该框架通过非线性融合有效重用公开可用的ASV和CM系统，显式建模它们的相互作用，并使用基于操作条件的可训练a-DCF损失进行优化。该框架使用ECAPA-TDNN和ReDimNet作为ASV嵌入提取器，SSL-AASIST作为CM模型，分别在和不使用在WildSpoof SASV训练数据上进行微调进行实验。结果表明，最佳性能通过结合基于ReDimNet的ASV嵌入与微调的SSL-AASIST表示实现，分别在进度评估集上的a-DCF为0.0515，在最终评估集上的a-DCF为0.2163。
引用
@article{arxiv.2602.01722,
title = {Joint Optimization of ASV and CM tasks: BTUEF Team's Submission for WildSpoof Challenge},
author = {Oguzhan Kurnaz and Jagabandhu Mishra and Tomi Kinnunen and Cemal Hanilci},
journal= {arXiv preprint arXiv:2602.01722},
year = {2026}
}