面向合成语音欺骗检测的一类学习
音频与语音处理
2021-06-09 v2 声音
摘要
人声可用于认证说话人身份,但自动说话人验证(ASV)系统易受语音欺骗攻击,如冒充、重放、文本转语音和语音转换。近来,研究者开发了反欺骗技术以提升ASV系统抵御欺骗攻击的可靠性。然而,多数方法在实际使用中难以检测未知攻击,后者通常与已知攻击具有不同统计分布。尤其是,合成语音欺骗算法的快速发展正生成愈发强大的攻击,使ASV系统面临未见攻击的风险。本文中,我们提出一种利用一类学习检测未知合成语音欺骗攻击(即文本转语音或语音转换)的反欺骗系统。其核心思想为压缩真实语音表示并注入角间隔以在嵌入空间中分离欺骗攻击。在不借助任何数据增强方法的情况下,我们所提系统在ASVspoof 2019挑战赛逻辑访问场景的评估集上取得了2.19%的等错误率(EER),优于所有现有单系统(即无模型集成的系统)。
引用
@article{arxiv.2010.13995,
title = {One-class Learning Towards Synthetic Voice Spoofing Detection},
author = {You Zhang and Fei Jiang and Zhiyao Duan},
journal= {arXiv preprint arXiv:2010.13995},
year = {2021}
}