柯宏宇，高奕宁，郝雪营，黄 涛,2

(1.武汉邮电科学研究院，湖北 武汉 430074；2.武汉烽火众智数字技术有限责任公司，湖北 武汉 430074)

0 引 言

近年来，人工智能快速发展，促进了人机交互应用的加深。生物识别作为人机交互的重要一环，具有广阔的研究前景[1]。该技术利用人体与生俱来的较稳定特征进行身份验证，包括指纹、声纹、虹膜等，其中声纹识别具有非接触、高可靠、低成本等优势，成为了目前主流身份判定特征之一。然而，随着具备高保真录音功能电子设备的普及，清晰度较高的录音获取变得简单，这在一定程度上降低了不法分子偷录语音假冒认证的难度。如何在声纹识别任务中，有效区分输入语音是否为回放语音，对守护公民财产安全具有重大意义。目前，关于回放攻击检测的研究，大多与说话人识别联系在一起，缺乏对这一问题的单独探究。该文针对偷录语音与真实语音在信道中存在的信道噪声长时统计特征差异，提出一种有效的检测手段，从模型鲁棒性、有效性两个方面对回放攻击展开研究。

1 研究背景

回放语音攻击可分为4类：录音重放、波形拼接、语音合成和语音模仿[2]。后三类攻击模式需对说话人声道模型建模，由于个体间的声道差异性较大，语音模仿的普适性较差，且合成拼接技术精度难以保证，因此实际案例应用较少。录音重放与真实语音具有相同的声纹信息与语音特征，因此最具威胁。尽管语音识别研究始于二十世纪五十年代，但是直到1999年才首次使用一男一女的语音样本评估录音重放攻击对系统的破坏性[3]。……