基于迁移学习的深度卷积神经网络音频欺骗检测

近年来，自动说话人验证（Automatic Speaker Verification, ASV）系统日益受到关注，但欺骗攻击（spoofing attacks）已成为其面临的主要安全威胁，严重削弱了系统的可靠性。其中，重放攻击（Replay attacks）等欺骗手段实现简单，却极难被有效检测，因此亟需开发有效的防御机制。本文提出一种基于深度卷积神经网络的语音分类方法，用于检测各类欺骗攻击。所提方法采用梅尔频率尺度下的功率谱密度时频声学表示（Mel-spectrogram），并结合深度残差学习策略（基于ResNet-34架构的改进版本）。实验结果表明，在ASVspoof 2019数据集的逻辑访问场景下，该单模型系统在开发集上实现了0.9056%的等错误率（Equal Error Rate, EER），在测试集上达到5.32%；在物理访问场景下，开发集EER为5.87%，测试集EER为5.74%，展现出优异的欺骗检测性能。