基于CNN-Transformer的欺骗语音检测

打开文本图片集

摘 要：语音合成和转换技术的不断更迭对声纹识别系统产生重大威胁。针对现有语音欺骗检测方法中难以适应多种欺骗类型，对未知欺骗攻击检测能力不足的问题，提出了一种结合卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ） 与Ｔｒａｎｓｆｏｒｍｅｒ 的欺骗语音检测模型。设计基于坐标注意力（Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ） 嵌入的ＳＥ-ＲｅｓＮｅｔ１８ 的位置感知特征序列提取网络，将语音信号局部时频表示映射为高维特征序列并引入二维位置编码（ｔｗｏ-Ｄｉｍｅｎｓｉｏｎａｌ Ｐｏｓｉｔｉｏｎ Ｅｎｃｏｄｉｎｇ，２Ｄ-ＰＥ） 保留特征之间的相对位置关系；提出多尺度自注意力机制从多个尺度建模特征序列之间的长期依赖关系，解决Ｔｒａｎｓ-ｆｏｒｍｅｒ 难以捕捉局部依赖的问题；引入特征序列池化（Ｓｅｑｕｅｎｃｅ Ｐｏｏｌｉｎｇ，ＳｅｑＰｏｏｌ） 提取话语级特征，保留Ｔｒａｎｓｆｏｒｍｅｒ 层输出帧级特征序列之间的相关性信息。（剩余12073字）