[發明專利]基于音素時長特征的虛假語音檢測方法及裝置

有效

• 申請號: 202110841276.2
• 申請日: 2021-07-26
• 公開（公告）號: CN113284513B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 陶建華;汪濤;易江燕;傅睿博
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G10L25/51
• 分類號: G10L25/51;G10L25/30;G10L25/24;G10L25/18;G06N3/08;G06N3/04;G06N3/00
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 李永葉

1.基于音素時長特征的虛假語音檢測方法，其特征在于，所述方法包括：

S1：從音頻訓練數據中提取聲學特征；

S2：利用音頻訓練數據對深度學習網絡進行預訓練，得到預訓練深度學習網絡；

S3：應用預訓練深度學習網絡的最后n層的隱含特征作為中間變量，提取音素時長特征向量；

S4：將所述聲學特征和所述音素時長特征向量作為輸入，輸入到判別器進行訓練；

S5：應用音頻測試數據，重復步驟S1-S3，得到測試數據的聲學特征和音素時長特征向量，將測試數據的聲學特征和音素時長特征向量輸入到訓練好的判別器，得到測試語音的真偽檢測結果。

2.根據權利要求1所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述聲學特征包括：MFCC或者BFCC頻譜特征。

3.根據權利要求1所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述深度學習網絡包括：編碼器和解碼器兩部分。

4.根據權利要求3所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述最后n層的隱含特征為解碼器的最后n層的隱含特征。

5.根據權利要求4所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述n表示為預訓練深度學習網絡的最后n層，選取3~5層。

6.根據權利要求5所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述提取音素時長特征向量之前還包括：將最后n層的隱含特征進行拼接，得到拼接特征；在拼接特征中獲得與說話人無關的音素表示特征；

所述提取音素時長特征向量包括：通過音素表示特征提取出音素時長特征向量。

7.根據權利要求1所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述判別器采用ResNet50來構建。

8.根據權利要求1所述的基于音素時長特征的虛假語音檢測方法，其特征在于，所述得到測試語音的真偽檢測結果的具體方法為：鑒別為虛假的概率大于等于0.5的語音判別為虛假語音，對于虛假的概率小于0.5的語音判別為真實語音。

9.基于音素時長特征的虛假語音檢測裝置，其特征在于，所述裝置包括：聲學特征提取模塊、時長特征提取模塊和判別器；

聲學特征提取模塊從音頻訓練數據中提取聲學特征；

時長特征提取模塊為利用音頻訓練數據對深度學習網絡進行預訓練，得到預訓練深度學習網絡：應用預訓練深度學習網絡的最后n層的隱含特征作為中間變量，提取音素時長特征向量；

將所述聲學特征和所述音素時長特征向量作為輸入，輸入到判別器，得到語音的真偽檢測結果。

10.根據權利要求9所述的基于音素時長特征的虛假語音檢測裝置，其特征在于，所述預訓練深度學習網絡包括：編碼器和解碼器；所述最后n層的隱含特征為解碼器的最后n層的隱含特征。