论文部分内容阅读
作为一种便捷有效的身份认证方案,自动说话人认证系统在电话及网络接入的控制系统中得到了广泛的使用。随着语音合成技术的不断发展,现有的说话人认证系统非常容易受到合成语音的攻击。犯罪分子利用语音合成算法可以生成与注册用户非常类似的语音并利用这些合成语音对说话人认证系统进行欺诈。大量的实验表明现有的说话人认证系统在合成语音的攻击下表现非常脆弱,它无法对合成语音与自然语音进行有效的区分。为了解决这一问题本文对合成语音检测算法进行了重点研究。从检测鲁棒性,检测特征提取以及分类器设计角度进行合成语音检测算法的设计。融合了合成语音检测算法的说话人认证系统可以有效的抵抗合成语音攻击。本文的创新点主要包括:分析了噪声对合成检测的影响,并提出了一种基于加噪训练的鲁棒合成语音检测算法;利用神经网络设计了一种专门适用于合成语音检测任务的特征;提出了一种新型的基于神经网络的合成语音检测打分算法,提高了合成语音检测的准确率。众所周知,环境噪声会极大的影响自动说话人认证系统的表现,因此有必要对噪声环境的下的合成语音检测算法进行有针对性的研究。研究结果表明常用的语音增强算法会降低合成语音检测的准确率。在本文中,我们提出了一种加噪训练的方法,即将含有噪声语音与干净的语音混合在一起进行检测模型的训练,该方法可以一定程度的提高噪声环境下合成语音检测的准确率。在特征提取方面,本文提出了一种基于深度神经网络滤波器的倒谱系数特征(Deep Neural Network Filter Bank Cepstral Coefficients,DNN-FBCC)。与普通的倒谱系数特征不同,DNN-FBCC提取过程中所使用的滤波器是由一个滤波器组神经网络(FilterBankNeuralNetwork,FBNN)利用自然语音与合成语音训练生成的。在FBNN的训练过程中,通过加入各种限制条件,可以使得学习到的权值矩阵具体有与普通滤波器组类似的,非负、带限、频域有序等特征。与人工设计的滤波器组不同,通过FBNN学习得到的滤波器组在不同的频带内有着不同的形状,从而能够更加有效的捕获自然语音与合成语音之间的区别。实验表明,动态DNN-FBCC特征在合成语音检测上的表现优于基线的线性三角波滤波器组倒谱系数特征。在分类器设计方面基于高斯混合模型(Gaussian Mixture Model,GMM)与深度神经网络(Deep Neural Networks,DNN)的分类器,表现较好使用也最为普遍。在合成语音检测过程中,利用经过训练的分类计算输入语音属于自然语音或者合成语音的似然值,并利用对数似然比(Log-LikelihoodRatios,LLR)对输入语音进行打分。很多实验表明在基于LLR的打分算法的分类器中,GMM表现好于DNN,特别在检测合成算法未知的合成语音方面。本文中作者利用动态声学特征训练了一个五层的DNN,并提出了一种新的仅利用自然语音似然值(Genuine Speech Likelihoods,GSL)进行打分的方案,并在数学上证明了 GSL打分方法比LLR方法更适用于合成语音检测任务。在ASVspoof2015数据库上的实验结果表明,与基于LLR打分方法GMM分类器相比较,基于GSL打分算法的DNN分类器可以极大的提高合成语音检测的准确率,在平均等错率(EqualErrorRate,EER)上可以获得接近10倍的提升。将该检测器与自动说话人认证系统相结合,在对合成算法未知的语音检测方面,错误接受率(False Acceptance Rate,FAR)从 38.47%降低到 0.41%。