[發明專利]自更新的反欺詐方法、裝置、計算機設備和存儲介質

在審

• 申請號: 201810345256.4
• 申請日: 2018-04-17
• 公開（公告）號: CN108806695A
• 公開（公告）日: 2018-11-13
• 發明（設計）人: 鄭斯奇;王健宗;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G10L17/04
• 分類號: G10L17/04;G10L17/02;G10L25/18;G10L25/24;G10L25/45;H04L29/06;G06F17/30
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝

1.一種自更新的反欺詐方法，其特征在于，包括以下步驟：

黑名單聲紋庫中加入新的欺詐語音數據時，基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數，得到更新后的聲紋訓練模型；

接收第一語音數據，并通過更新后的所述聲紋訓練模型計算所述第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值；

若所述相似度分值高于設定的相似度閾值，則判定所述第一語音數據為欺詐語音數據。

2.根據權利要求1所述的自更新的反欺詐方法，其特征在于，所述訓練參數為PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值，所述聲紋訓練模型為高斯混合模型，所述基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數的步驟，包括：

基于所述黑名單聲紋庫中的欺詐語音數據，分別提取鑒別向量；

使用所述鑒別向量訓練PLDA矩陣，更新所述PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值。

3.根據權利要求1所述的自更新的反欺詐方法，其特征在于，所述通過更新后的所述聲紋訓練模型計算所述第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值的步驟，包括：

使用鑒別向量提取器提取所述第一語音數據的鑒別向量；

將所述第一語音數據的鑒別向量輸入至更新后的聲紋訓練模型中計算第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值。

4.根據權利要求3所述的自更新的反欺詐方法，其特征在于，所述使用鑒別向量提取器提取所述第一語音數據的鑒別向量的步驟，具體包括：

提取所述第一語音數據的聲紋特征組成聲紋特征向量，并通過鑒別向量提取器計算所述聲紋特征向量，提取出所述第一語音數據的鑒別向量。

5.根據權利要求1-4中任一項所述的自更新的反欺詐方法，其特征在于，所述訓練參數為PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值，所述聲紋訓練模型為高斯混合模型，所述黑名單聲紋庫中加入新的欺詐語音數據時，基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數的步驟之前，包括：

提取用戶語音數據中的聲紋特征，并基于所述聲紋特征構建所述語音數據對應的聲紋特征向量；

將所述聲紋特征向量輸入至高斯混合模型以及鑒別向量提取器中進行訓練；

通過訓練好的鑒別向量提取器提取單人多通的欺詐語音數據中的多個鑒別向量；

通過多個所述鑒別向量訓練PLDA矩陣，訓練所述PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值。

6.根據權利要求5所述的自更新的反欺詐方法，其特征在于，所述將所述聲紋特征向量輸入至高斯混合模型以及鑒別向量提取器中進行訓練的步驟，包括：

將所述聲紋特征向量作為高斯混合模型以及鑒別向量提取器的數據輸入，并使用EM算法訓練高斯混合模型以及鑒別向量提取器。

7.根據權利要求5所述的自更新的反欺詐方法，其特征在于，所述聲紋特征為梅爾頻率倒譜系數，所述提取用戶語音數據中的聲紋特征，并基于所述聲紋特征構建所述語音數據對應的聲紋特征向量的步驟包括：

對所述語音數據依次進行預加重、分幀以及加窗處理；

對每一個加窗，通過傅里葉變換得到頻譜；

通過梅爾濾波器對所述頻譜進行濾波，得到梅爾頻譜；

對所述梅爾頻譜進行倒譜分析，得到梅爾頻率倒譜系數；

基于所述梅爾頻率倒譜系數構建所述聲紋特征向量。

8.一種自更新的反欺詐裝置，其特征在于，包括：

更新單元，用于黑名單聲紋庫中加入新的欺詐語音數據時，基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數，得到更新后的聲紋訓練模型；

打分單元，用于接收第一語音數據，并通過更新后的所述聲紋訓練模型計算所述第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值；

判定單元，用于所述相似度分值高于設定的相似度閾值時，則判定所述第一語音數據為欺詐語音數據。