[发明专利]一种领域自适应的录音重放攻击检测方法及系统

说明书

本发明公开了一种领域自适应的录音重放攻击检测方法，包括以下步骤：从录音中至少一段录音区域提取声学特征；从所述声学特征中提取共享声纹特征向量；以及从所述共享声纹特征向量中，通过领域自适应的方法检测所述录音是否是重放录音。本发明在录音重放的设备、环境以及说话人的领域多样性的条件下，依然能够保证录音重放攻击检测系统的鲁棒性。

技术领域

本发明涉及语音信号处理技术领域，尤其涉及一种领域自适应的录音重放攻击检测方法及系统。

背景技术

近年来，随着人工智能技术的快速发展，越来越多的带有人工智能技术的产品出现在人们的日常生活中，特别是近年的智能音箱异军突起。其中声纹识别技术几乎是所有的智能音箱的标配，用户使用自己的声音就可以完成账户登录、购物支付等。录音重放攻击检测是声纹识别系统的中极其重要的环节，判断语音来源的真人还是录音。由于录音重放的设备、环境以及说话人是多样性的，领域的多样性导致录音重放攻击检测系统性能下降。

发明内容

本发明为了解决录音重放攻击的领域多样性问题，提出了一种领域自适应的录音重放攻击检测方法及系统。设计一个共享声纹特征提取模块，将语音的声学特征输入到这个共享模块，提取共享声纹特征，然后共享声纹特征分别输入到四个子分类模块中，分别是：重放攻击检测模块、重放设备检测模块、重放环境检测模块及重放说话人检测模块。其中，重放攻击检测模块的误差梯度直接反馈回共享声纹特征提取模块和重放攻击检测模块，而重放设备检测模块、重放环境检测模块及重放说话人检测模块的误差梯度反馈回各自的模块外，同时取反之后再反馈回共享声纹特征提取模块。通过此方法及系统可以增强系统的领域自适应性，提高系统的重放攻击检测能力。

本发明通过以下技术方案来实现上述目的：

一种领域自适应的录音重放攻击检测方法及系统，包括以下步骤：

计算从录音中至少一段录音区域提取声学特征，所述声学特征包括梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)或能量归一化倒谱系数(Power-normalized Cepstral Coefficients，PNCC)；

从所述声学特征中提取共享声纹特征向量；

从所述共享声纹特征向量中，通过领域自适应的方法检测所述录音是否是重放录音。

进一步地，在检测阶段，所述共享声纹特征向量用来检测与所述录音重放攻击检测相关联的至少一个领域自适应对抗任务的对应目标，所述领域自适应对抗任务包括：重放设备检测任务、重放环境检测任务及重放说话人检测任务。

进一步地，共享声纹特征向量是通过共享声纹特征模块提取，检测是否是重放录音是通过重放攻击检测模块实现，重放设备检测任务是通过重放设备检测模块实现，重放环境检测任务是通过重放环境检测模块实现，重放说话人检测任务是通过重放说话人检测模块实现。

进一步地，共享声纹特征模块、重放攻击检测模块、重放设备检测模块、重放环境检测模块和重放说话人检测模块都由深度神经网络构成，所述深度神经网络包括卷积神经网络(CNN)、递归神经网络(RNN、LSTM、GRU)和延时神经网络(TDNN)中的一种或者多种网络的组合。

进一步地，还包括各个模块的训练方法。其中，共享声纹特征模块的权重为W_f，重放攻击检测模块的权重为W_a，重放设备检测模块的权重为W_d，重放说话人检测模块的权重为W_s，重放环境检测模块的权重为W_e，各模块的训练步骤如下：

S0：将录音的声学特征输入到共享声纹特征模块中，提取共享声纹特征向量；

S1：将S0中共享声纹特征向量输入重放攻击检测模块中，输出分类误差L_a；