VoxMorph：基于解耦嵌入的零样本语音身份形变
声音
2026-01-30 v1 密码学与安全
机器学习
音频与语音处理
摘要
形变技术生成由多个主体特征组合的人造生物识别样本，使每个贡献者均可通过单个注册模板进行验证。虽在人脸识别领域广泛研究，但此类漏洞在语音生物识别中仍鲁待探索。现有语音形变方法计算昂贵、不可扩展，且仅限于声学相似的身份对，限制了实际部署。此外，现有声音形变方法针对音频纹理、音乐或环境声音，难以用于语音身份操控。我们提出VoxMorph，一个零样本框架，可仅需每主体5秒音频即可生成高保真语音形变，无需模型再训练。该方法将声学特征解耦为韵律与时长嵌入，实现说话风格与身份的细粒度插值。这些嵌入通过球面线性插值（Slerp）融合，由自回归语言模型配合Conditional Flow Matching网络合成。VoxMorph实现了SOTA性能：音质提升2.6倍，语音识别错误率降低73%，在严格安全阈值下自动语音验证系统的形变攻击成功率达67.8%。本工作建立了语音形变的实用可扩展范式，对于生物识别安全具有深远影响。代码与数据集已在项目页面发布：https://vcbsl.github.io/VoxMorph/。
引用
@article{arxiv.2601.20883,
title = {VoxMorph: Scalable Zero-shot Voice Identity Morphing via Disentangled Embeddings},
author = {Bharath Krishnamurthy and Ajita Rattani},
journal= {arXiv preprint arXiv:2601.20883},
year = {2026}
}
备注
Accepted to IEEE ICASSP 2026 (51st International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2026). 5 pages, 1 figure, 3 tables. Project page: https://vcbsl.github.io/VoxMorph/