面向自动语音识别系统鲁棒性评估的时间风格迁移

在自动语音识别（ASR）系统广泛应用的背景下，其安全性 concerns 受到前所未有的关注，主要由于深度神经网络的脆弱性。以前的研究表明，擅自制作对抗性扰动可被用来操控语音识别系统，导致产生恶意命令。这些攻击方法主要需要在 $\ell_p$ 范数约束下添加噪声扰动，不可避免地留下人工修改的痕迹。最近的研究通过操控风格向量来基于文本转语音（TTS）合成音频来合成对抗性示例，从而缓解了这一限制。然而，基于优化目标的风格修改显著降低了音频风格的可控性和可编辑性。本文提出了一种基于用户自定义风格迁移的ASR攻击方法。我们首先测试了将风格迁移攻击（STA）与对抗攻击按顺序组合的效果。然后，作为改进，我们提出了保持音频质量的迭代风格代码攻击（SCA）。实验结果表明，我们的方法能够满足用户自定义风格的需求，在攻击成功率达到82%的同时，由于我们的用户研究，保持了自然的音质。