用于自动说话人确认中欺骗检测的子带建模

语谱图——音频信号的时频表示——已在基于神经网络的欺骗检测中得到广泛应用。虽然深度模型是在信号的全频带频谱上进行训练的，但我们认为并非所有频带都对这类任务有用。在本文中，我们在两个基准数据集：ASVspoof 2017 v2.0和ASVspoof 2019 PA上，系统地研究了不同子带的影响及其在重放欺骗检测中的重要性。我们提出了一种联合子带建模框架，该框架使用n个不同的子网络来学习子带特定特征。这些特征随后被合并并传递给分类器，整个网络的权重在训练过程中更新。我们在ASVspoof 2017数据集上的发现表明，最具判别力的信息似乎出现在第一个和最后一个1 kHz频带中，并且在这两个子带上训练的联合模型表现出最佳性能，大幅优于基线。然而，这些发现并未推广到ASVspoof 2019 PA数据集上。这表明，可用于训练这些模型的数据集并未反映真实世界的重放条件，提示需要仔细设计用于训练重放欺骗对策的数据集。