[发明专利]基于音素级分析抑制音素影响的合成语音检测方法

说明书

本发明涉及语音信号处理，为研究真实语音和欺诈语音在不同音素上的区别,提高自动说话人系统欺诈攻击检测的效果，本发明，基于音素级分析抑制音素影响的合成语音检测方法，使用F‑ratio对不同真实语音和欺诈语音中的不同音素的各个频段进行分析，找出更有利于鉴别真实语音和欺诈语音的频率范围，增加该频段上的滤波器密度，得到新的特征，并用该特征分别训练真实语音和欺诈语音的高斯混合模型GMM，将待识别的音频提取特征后分别输入两个模型，最后将两个模型的结果用最大似然比打分，得到最终的识别结果。本发明主要应用于语音信号处理场合。

技术领域

本发明涉及模式识别，语音信号处理领域，具体是一种使用F-ratio对真实语音和合成语音的音素特征进行分析的方法，用于更高效地鉴别语音的真假。

背景技术

利用人的个性化生物特征进行个人身份鉴别如今已经被广泛地应用于生产和生活当中。个性化生物特征是指包括指纹、虹膜以及声纹在内的在一定时间内具有持续的唯一性的，且能够反映出个体与个体之间差异的生理特性。其中声纹识别(VoiceprintRecognition)技术也被称为说话人识别(Speaker Recognition)技术，它可以根据一段音频来判断音频中说话人的身份信息。声纹识别技术相较于指纹识别、人脸识别和虹膜识别等技术具有一定的优势。例如，实现成本低、操作简单等。声纹识别既不需要像指纹识别那样要用到专用的设备，也不需要像人脸识别那样要进行特定的动作，只需要简单地说一句话就可以进行身份鉴别。因此，声纹识别技术具有较高的用户认可度，市场占有率已经达到了15.8％，并且不断呈现出上升的趋势。

但是最近随着语音合成(Speech Synthetic)技术和语音转换(VoiceConversion)技术的日益成熟，很多不法分子可以利用这些技术轻易地模仿出目标说话人声学特征，进而攻破声纹识别系统的防御，盗取他人的信息和财产等。为了保护声纹识别系统不受到合成语音或转换语音的攻击，对于这些欺诈攻击的检测(Spoofing AttackDetection)技术的需求变得日益强烈起来。这项技术的研究对于声纹识别系统的推广和使用起着至关重要的作用。

目前，语音方面的国际顶级会议Interspeech每隔两年会举办针对自动说话人识别欺诈攻击与防御对策的挑战赛(Automatic Speaker Verification Spoofing andCountermeasures Challenge)。分析各支参赛队伍的策略，可以发现国内外对于这一课题的研究主要分为两个方面，分别是基于前端语音特征分析方面的研究以及基于后端分类器方面的研究。在特征方面，目前比较常用的特征包括经过常数Q变换得到的常数Q倒谱系数(Constant Q Cepstral Coefficients,CQCC)和使用线性滤波器处理得到的线性滤波器倒谱系数(Linear-Frequency Cepstral Coefficient，LFCC)等；在分类器方面，除了高斯混合模型(Gaussian Mixture Model，GMM)、线性判别分析(Linear Discriminant Analysis,LDA)以及支持向量机(Support Vector Machine，SVM)等传统的机器学习中经典的分类器之外，一些目前比较热门的深度神经网络模型也被应用于这项任务当中，比如卷积神经网络(Convolutional Neural Networks,CNN)以及循环神经网络(Recurrent NeuralNetwork,RNN)等。

Gajan Suthokumar等人在2019年的一篇研究中表明，语音发音过程中的不同音素在进行欺诈攻击鉴别时，具有不同的辨别能力，其中轻音音素的鉴别能力普遍高于浊音音素。

发明内容