采用局部相位量化的合成语音检测方法

由于语音合成的便利性,合成伪装语音对说话人认证系统的安全构成了很大的威胁。为了进一步提升说话人认证系统的伪装语音检测能力,提出了一种利用语谱图频域信息的合成语音检测方法,它通过局部相位量化算法对语谱图频域信息进行描述。首先,将语谱图分为若干子块,然后对每个子块进行局部相位量化,经直方图统计分析后获得局部相位量化特征向量并将该特征向量作为随机森林分类器的输入特征,实现合成语音检测。实验结果表明,该方法进一步降低了合成语音检测系统的串联检测代价数值,并且具有更强的泛化能力。

基于时域波形的半监督端到端虚假语音检测方法

现代语音合成和音色转换系统产生的虚假语音对自动说话人识别系统构成了严重威胁。大多数现有的虚假语音检测系统对在训练中已知的攻击类型表现良好,但对实际应用中的未知攻击类型检测效果显著降低。因此,结合最近提出的双路径Res2Net(DP-Res2Net),提出一种基于时域波形的半监督端到端虚假语音检测方法。首先,为了解决训练数据集和测试数据集两者数据分布差异较大的问题,采用半监督学习进行领域迁移;然后,对于特征工程,直接将时域采样点输入DP-Res2Net中,增加局部的多尺度信息,并充分利用音频片段之间的依赖性;最后,输入特征经过浅层卷积模块、特征融合模块、全局平均池化模块得到嵌入张量,用来判别自然语音与虚假伪造语音。在公开可用的ASVspoof 2021 Speech Deep Fake评估集和VCC数据集上评估了所提出方法的性能,实验结果表明它的等错误率(EER)为19.97%,与官方最优基线系统相比降低了10.8%。基于时域波形的半监督端到端检测虚假语音检测方法面对未知攻击时是有效的,且具有更高的泛化能力。

基于中心对称局部二值模式的合成伪装语音检测方法

针对基于局部二值模式的伪装语音检测方法的合成语音检测准确度较低的情况,提出了一种基于中心对称局部二值模式的伪装语音检测方法。该方法通过短时傅里叶变换得到语音信号的语谱图,再利用中心对称局部二值模式提取语谱图的纹理特征,并用该纹理特征训练随机森林分类器,从而实现真伪语音的判别。该方法综合考虑语谱图中像素点的数值大小和位置关系,包含了更加全面的纹理信息,并将特征维度降低至16维,有利于减少计算量。实验结果表明,在ASVspoof 2019数据集上,与传统的基于局部二值模式的伪装语音检测方法相比,所提方法将合成伪装语音的串联检测代价函数(t-DCF)降低了16.98%,检测速度提高了89.73%。

基于上下文信息与注意力特征的欺骗语音检测

随着语音合成和语音转换技术的快速发展,欺骗语音检测方法仍存在欺骗检测准确率低、通用性差等问题。因此,提出一种基于上下文信息与注意力特征的端到端的欺骗检测方法。该方法基于深度残差收缩网络(DRSN),利用双分支上下文信息协调融合模块(DCCM)聚集丰富的上下文信息,融合基于协调时频注意力机制(CTFA)的特征以获得具有上下文信息的跨维度交互特征,从而最大化捕获伪影的潜力。与最佳基线系统相比,在ASVspoof 2019 LA数据集中,所提方法在EER和t-DCF性能指标上分别降低68%和65%;在ASVspoof 2021 LA数据集中,所提方法的EER和t-DCF分别为4.81和0.3115,分别降低48%和10%。实验结果表明,所提方法能有效提高欺骗语音检测的准确率和泛化能力。

采用圆周局部三值模式纹理特征的合成语音检测方法

为了进一步提高合成语音检测的准确率,提出了一种采用圆周局部三值模式(CLTP)纹理特征的合成语音检测方法。该方法利用圆周局部三值模式提取语谱图中的纹理信息并作为语音的特征表示,采用深度残差网络作为后端分类器来判决语音真伪。实验结果表明,在ASVspoof 2019数据集上,与传统的常量Q倒谱系数(CQCC)和线性预测倒谱系数(LPCC)两种特征相比,该方法在等错误率(EER)上分别降低了54.29%和2.15%,与局部三值模式(LTP)纹理特征相比,该方法在等错误率上也降低了17.14%。圆周局部三值模式由于综合考虑了邻域内中心像素与周边像素之间以及各周边像素之间的差异,更加全面地获取了语谱图的纹理信息,提高了合成语音检测的准确率。

基于辅助学习的改进端到端合成语音检测方法

随着深度伪造技术的发展,合成语音检测面临越来越多的挑战。本文提出一种将辅助学习融入端到端模型的合成语音检测方法。将音频数据进行数据对齐后在不加提取任何手工特征的情况下直接输入到改进端到端模型,主任务进行真实语音与合成语音的二分类,同时选用不同合成语音类型判别作为辅助任务,为主任务的合成语音检测提供先验假设,并且对主辅任务的权重叠加进行了优化。通过在公开数据集ASVspoof2019及ASVspoof2015上进行的实验结果表明,本文改进的模型与使用手工特征的模型相比能有效降低等错率,且优于改进前的端到端模型,并且在面对未知攻击类型时拥有更好的泛化能力。

基于Involution算子和交叉注意力机制的合成语音检测方法

随着科学技术的迅速发展,基于深度学习生成的合成语音给语音认证系统和网络空间安全带来了新的挑战。针对现有检测模型准确率较低和语音特征挖掘不够充分的问题,提出了一种基于Involution算子和交叉注意力机制改进的合成语音检测方法。前端将语音数据提取线性频率倒谱系数(LFCC)特征和恒定Q变换(CQT)谱图特征,两个特征分别输入到后端的双分支网络中。后端网络使用ResNet18作为主干网络先进行浅层的特征学习,并将Involution算子嵌入主干网络,扩大特征图像学习区域,增强在空间范围内学习到的频谱图像特征信息。同时在训练分支之后引入cross-attention交叉注意力机制,使LFCC特征和CQT谱图特征构建交互的全局信息,强化模型对特征的深层挖掘。所提模型在ASVspoof 2019 LA测试集上取得了0.84%的等错误率和0.026的最小归一化串联检测代价函数的实验结果,展现了优于主流的检测模型。结果表明,改进的模型能够有效融合不同的频谱特征,提高模型的特征学习能力,从而强化模型的检测能力。

基于自监督预训练和有监督微调的伪造语音检测方法

随着深度学习技术的发展,合成语音的质量和听感与真实自然语音越来越难以区分,这严重威胁了基于声纹识别相关应用的可靠性和安全性。现有研究从特征提取和后端二分类器两个维度上提出了各种方法用于伪造语音检测,取得了优异的效果。然而,当模型面对未知的伪造类型数据时,模型检测准确率急剧下降,特别是对于跨数据集评估测试场景。受到自监督学习框架在多种语音识别下游任务成功经验的启发,提出一种基于预训练和微调结合的伪造语音检测框架。预训练使用无标签数据学习通用的语音表征,之后利用有标签的真实伪造语音数据集来微调整个网络参数,达到区分真实自然音和伪造语音的目的。该方法在ASVspoof 2019逻辑攻击数据集上的联合检测代价函数值为0.0061,等错误率(EER)值为0.19%,同时在ASVspoof 2015和Fake or Real跨数据集评测上也展现了良好的泛化能力。

利用声回波对消器输出信号构建检测统计量的双端语音检测

声回波对消中,双端语音检测用以判定远端语音是否混和有近端语音。为了提高双端语音检测性能,采用自适应声回波对消器输出信号(而非远端语音信号)与麦克风输出信号构建检测统计量,利用无近端语音时二者间较强的相关性,达到提高检测性能,减少运算量的目的。通过算法软件仿真,结果证明该算法较其它的互相关统计量检测算法具有较好的检测性能。

基于卷积神经网络的翻录语音检测算法

针对翻录语音攻击说话人识别系统,危害合法用户的权益问题,提出了一种基于卷积神经网络(CNN)的翻录语音检测算法。首先,通过提取原始语音与翻录语音的语谱图,并将其输入到卷积神经网络中,对其进行特征提取及分类;然后,搭建了适应于检测翻录语音的网络框架,分析讨论了输入不同窗移的语谱图对检测率的影响;最后,对不同偷录及回放设备的翻录语音进行了交叉实验检测,并与现有的经典算法进行了对比。实验结果表明,所提方法能够准确地判断待测语音是否为翻录语音,其识别率达到了99.26%,与静音段梅尔频率倒谱系数(MFCC)算法、信道模式噪声算法和长时窗比例因子算法相比,识别率分别提高了约26个百分点、21个百分点和0.35个百分点。

基于谱熵的语音检测

根据离散余弦变换(DCT)特性和最大离散熵定理,该文提出利用短时语音余弦变换谱的谱熵进行语音信号检测(Voice activity detection)。在强噪声环境下,传统的能量,过零率,相关等检测方法将会失效,而谱熵法则具有稳健的抗噪特性。

基于特征流融合的带噪语音检测算法

针对语音通话中语音段的起始检测性能不佳,检测语音连续性结构受到破坏的问题,提出了一种基于特征流融合的带噪语音检测算法。首先,根据语音特性分别提取时域特征流、谱图特征流和统计特征流;其次,利用不同的语音特征流分别对带噪音频中的语音段进行概率估测;最后,将各个特征流估测得到的语音估测概率进行加权融合,并利用隐马尔可夫模型对语音估测概率进行短时状态处理。通过对复合语音数据库在多类型噪声与不同信噪比条件下的性能测试表明,所提算法相对于基于贝叶斯与DNN分类器的基线模型相比,语音检测正确率分别提高了21.26%与11.01%,显著提高了目标语音的质量。

应用于语音识别片上系统的语音检测算法

语音识别技术的研究已经进入实用化阶段,而实用化语音识别系统中的一个关键技术就是可靠的语音检测。本文提出了一种基于有限状态机模型的实时语音检测算法(FSM-SD)。采用对数最大似然判决帧能量检测器和过零率检测器控制各状态之间的跳转关系。针对语音识别中的MFCC(Mel频标倒谱系数)和LPCC(线性预测倒谱参数)特征提取过程,分别得到两种不同的帧能量计算方法。将FSM-SD应用到在OAK DSP上实现的小词表汉语语音识别系统,通过实验验证了其对系统识别性能和噪声稳健性的有效保证。

一种基于短时平均幅度差的语音检测算法

提出了一种利用语音信号的短时平均幅度差特征并结合短时平均幅度的语音检测算法。该算法在专用通信系统中,用以对接收到的电台信号进行分析,判断其中是否有语音信号,从而控制半双工电台的发射开关,使其处于接收或发射状态。实验表明,该算法能在较低的信噪比情况下准确地检测出语音信号,而且计算方法简单,硬件处理容易,可靠性高,能够满足实时系统的需要。

一种高噪声环境下语音检测算法的仿真与应用

该文提出了一种高噪声环境下的自适应语音检测新算法。该算法利用了语音短时能量及帧内短时自相关的特性,两个自适应判决门限根据期望的误判率调整,无需事先给出噪声统计信息,适用于平稳噪声、缓变的非平稳噪声及脉冲噪声的情况,且可以实时实现。

基于相关维数的病变连续语音检测算法

针对人为设定最优采样延迟不能客观反映信号采样延迟和固定相关维数不易描述病变异常语音复杂性的缺陷,文中提出一种基于相关维数的病变连续语音检测算法.该算法在语音信号合理采样延迟区间内不断调整采样延迟,搜索使正常语音与病变连续语音的区分等错误率达到最小的嵌入相关维数,以避免设定采样延迟的缺陷.同时,通过将相关维数曲线划分成子区间,并判定子区间的稳定性,以达到不固定嵌入相关维数的目的.最后,对每个合理采样延迟时间内获取的训练语音的最优相关维数进行等错误率分析,选用具有最小等错误率的相关维数及对应的采样延迟为文中混沌参数,为测试语音提取混沌指数进行正异常区分.实验结果表明,该算法的区分正确率为75.6%,分别比GMM-SVM、Shimmer、固定相关维和采样延迟法、SHR算法和Jitter算法提高7.8%、9.3%、16.0%、18.0%和20.4%.

基于Adaboost算法的汉语儿向语音检测

儿向语音对早期儿童成长有较大影响,正确检测并充分利用儿向语音具有现实意义。为此,构建一种基于Adaboost算法的汉语儿向语音检测模型,以提高检测准确率。使用决策树作为弱分类器对提取的汉语儿向语音特征进行学习,并组成弱分类器元组,同时对该弱分类器组的分类结果进行加权,区分待测语音的类别。实验结果表明,汉语儿向语音的元音持续时长超过非儿向语音的元音持续时长;提升弱分类器的数量可提高汉语儿向语音检测正确率;分段语音时间越长,汉语儿向语音检测正确率越高;采用改进的Adaboost算法比采用v-SVM算法具有更高的准确率和精度,同时可增强系统的鲁棒性。

基于短时相位谱补偿的非接触语音检测增强算法研究

语音是人类重要的生理信号,生物雷达能够通过检测喉部发音器官振动的微弱信息对语音进行非接触采集,从而提供一种新型的非接触语音获取方法。但生物雷达所接收的含有语音信息的回波中还存在多种噪声和杂波。本文采用离散短时傅立叶变换,在保持语音信号振幅谱不变的条件下通过改变相位谱来对信号谱进行重构,达到去除雷达语音信号中噪声分量的目的。通过与经典的谱减法和维纳滤波语音增强算法进行对比,此算法能够在低信噪比条件下有效地降低噪声分量,可提高生物雷达语音信号质量。

几种无语音检测噪音估计方法的比较研究

噪音谱的估计是谱相减方法中关键的一环。传统的噪声谱的估计是通过对输入语音作语音检测,区分出纯噪声段,根据噪声段的频谱估计出噪声谱。该方法的准确性局限于语音检测算法的性能,在信噪比较低时,性能下降很快。近年来人们提出了多种不用语音检测的噪声估计方法,这些方法不区分语音和非语音段,在每一帧都进行噪声谱的更新。评估了几种无语音检测的噪音估计方法,比较了它们用于谱相减时在语音识别中的性能,提出了一种新的基于能量聚类的无语音检测噪音估计方法,通过实验验证了它的优良性能。

基于TMS320F2812的语音检测系统设计

语音静噪是以语音检测为基础实现无语音时屏蔽系统输出的一项功能。由于短波电台接收机存在诸多噪声干扰,致使语音静噪较难实现。本文设计实现一种以TMS320F2812DSP芯片为核心的语音检测系统,对短波电台接收到的信号进行分析和处理,并应用短时自相关算法进行语音检测。如果检测存在语音信号则通过DA把语音转换输出。通过在实际应用环境中测试表明该语音检测系统结构简单,语音检测准确度高,可以有效解决短波电台的语音静噪问题。