[发明专利]基于复数谱子带融合的虚假音频检测方法及其系统

说明书

本发明公开了一种基于复数谱子带融合的虚假音频检测方法，包括以下步骤：S1：提取原始语音波形的复数谱特征和对数功率谱特征，作为输入特征；S2：将复数谱特征分为低频和高频两个子带频段，分别对复数谱的高、低频段进行建模，并获得相对应的预测结果；S3：对对数功率谱的低频段特征进行建模，并获得相对应的预测结果；S4：将复数谱的高、低两个子带频段的预测结果通过一级融合算法进行融合，得到一级融合结果；S5：将对数功率谱的低频段特征得到的预测结果和一级融合结果通过二级融合算法进行融合，得到最终结果。还公开了一种基于复数谱子带融合的虚假音频检测系统。本发明能够显著提高音频伪造检测技术的准确率。

技术领域

本发明涉及音频伪造检测技术领域，特别是涉及一种基于复数谱子带融合的虚假音频检测方法及其系统。

背景技术

自动说话人验证(Automatic speaker verification，ASV)系统是一个典型的生物识别系统，主要用于门禁控制、电话银行、司法取证和军事侦察等领域，该系统可以使用特定的算法对输入语音进行模式识别和匹配，判断出该待验证的说话人语音是否为合法用户的声音。随着语音技术的发展，目前ASV系统面临着各种虚假音频攻击的问题，常见的虚假音频可以分为4种形式：语音模仿、录音重放、语音合成和语音转换。因此研究人员开发出有效的反欺骗系统，以保护ASV系统免受伪造语音的欺骗攻击。

音频伪造检测技术可以有效提高反欺骗系统的性能，目前的工作主要集中在两个方面：1)改善音频的声学特征；2)设计新的分类模型。相比于设计新模型，提取更具有代表性的特征尤为关键。幅度谱和相位谱是基于傅里叶变换得到的两种基本的声学特征，反映音频的不同特性。在早期研究中，主要对幅度谱进行处理而忽视相位信息，相位信息对于音频伪造检测任务非常重要，与幅度谱相比，相位谱的分布更不规则，因此如何有效利用相位信息是一个具有挑战性的问题。现在虚假音频在被检测过程中通常使用全频带信息作为特征进行建模，实际上虚假音频在低频带(0-4KHz)和高频带(4KHz-8KHz)有不同的表现，分频带处理可以大幅降低虚假音频检测的错误率，提高反欺骗系统的性能。

因此亟需提供一种新型的虚假音频检测方法来解决上述问题。

发明内容

本发明所要解决的技术问题是提供一种基于复数谱子带融合的虚假音频检测方法及其系统，能够显著提高音频伪造检测技术的准确率。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于复数谱子带融合的虚假音频检测方法，包括以下步骤：

S1：提取原始语音波形的复数谱特征和对数功率谱特征，作为输入特征；

S2：将复数谱特征分为低频和高频两个子带频段，分别对复数谱的高、低频段进行建模，并获得相对应的预测结果；

S3：对对数功率谱的低频段特征进行建模，并获得相对应的预测结果；

S4：将复数谱的高、低两个子带频段的预测结果通过一级融合算法进行融合，得到一级融合结果；

S5：将对数功率谱的低频段特征得到的预测结果和一级融合结果通过二级融合算法进行融合，得到最终结果。

在本发明一个较佳实施例中，在步骤S1中，提取原始语音波形的复数谱特征包括以下步骤：

S101：利用短时傅里叶变换STFT将时域语音转换为T-F域：

X_r[t，f]+i*X_i[t，f]＝STFT(X[k]) (1)

其中，x[k]表示时域中的原始语音波形，k是语音信号的时间索引，和是STFT的相应实部和虚部，t是时间帧数的索引，f是频率单元的索引；

S102：将STFT的实数部分和虚数部分拼接在一起，得到需要的复数谱特征，表示为：