林龙晋,高 勇

(四川大学 电子信息学院,四川 成都 610065)

0 引言

声纹识别又称自动说话人识别(Automatic Speaker Verification，ASV)，是生物识别中的关键技术。但随着ASV系统的普及，针对ASV系统的欺骗语音攻击也日益增多，如果欺骗语音成功通过ASV系统，会对系统的安全性能造成巨大破坏，ASV系统的安全性亟待加强。

国际上，每两年举办一次的ASVspoof大赛是目前检测欺骗语音规模最大、覆盖最全面的挑战赛，参赛者提交的反欺骗算法为欺骗语音检测系统提供了大量创新工作。目前，对于欺骗语音的检测，大部分的工作都集中于前端特征提取以及后端分类器设计两个方面。在前端特征提取上，Todisco M等人受音乐处理中的常数Q变换(Constant Q Transform，CQT)启发，提出了常数Q倒谱系数(Constant Q Cepstral Coefficients，CQCC)[6]，该特征在低频段的频率分辨率高，在高频段的时间分辨率高，可以有效检测ASVspoof2015中的单元选择算法[7]产生的欺骗语音。Lantian Li等人使用逆梅尔倒谱系数(Inverse Mel Frequency Cepstral Coefficients，IMFCC)特征强调频谱高频区域的分析[8]，在ASVspoof2017上获得了不错的效果。在后端分类器设计上，近几年的工作大多集中于神经网络分类器改进。Cheng-I Lai等人搭建了注意力机制扩张残差网络(Dilated ResNet)[9]，在ASVspoof2017和ASVspoof2019上都取得了很好的效果。Moustafa Alzantot等人[10]使用了带dropout层的残差块构建的残差网络，将梅尔频率倒谱系数(Mel Frequency Cepstral Coefficients，MFCC)[11]、常数Q倒谱系数与短时傅里叶变换对数谱在残差网络上的结果进行融合，有效降低了欺骗检测系统的错误率。

本文使用了三角滤波器组的3种不同形式，每种形式的三角滤波器组对频域的侧重点不同，并使用了更大的分帧帧长以及帧移，增加快速傅里叶变换点数，增大了频率分辨能力，更容易发现真实语音与欺骗语音的不同点。……