基于多任务学习的抗欺骗鲁棒自动说话人验证系统
音频与语音处理
2020-12-08 v1 密码学与安全
声音
摘要
由生成人工语音引发的欺骗攻击会严重降低说话人验证系统的性能。近来，已提出许多反欺骗对策用于检测从合成语音到重放呈现的各类攻击。尽管已有大量关于独立反欺骗方案的有效防御被报道，但说话人验证与欺骗检测系统的集成具有明显益处。本文中，我们提出了一种基于多任务学习架构、面向多种攻击的抗欺骗鲁棒自动说话人验证(SR-ASV)系统。该基于深度学习的模型利用语句的时频表示进行联合训练，以同时给出两项任务的识别决策。与ASVspoof 2017和2019语料库上的其他最先进(state-of-the-art, SOTA)系统相比，所提出的联合系统在不同欺骗条件下可获得实质性改进。
引用
@article{arxiv.2012.03154,
title = {Multi-task Learning Based Spoofing-Robust Automatic Speaker Verification System},
author = {Yuanjun Zhao and Roberto Togneri and Victor Sreeram},
journal= {arXiv preprint arXiv:2012.03154},
year = {2020}
}
备注
12 pages, 6 figures, codes used in the experimental section can be found at https://github.com/zhaoyj1122/SRASV