基于倒譜特征的重放語音檢測

金雨晨 凌霖 許毅

摘 要：IoT設(shè)備身份認(rèn)證是物聯(lián)網(wǎng)領(lǐng)域的重要應(yīng)用。語音重放欺騙攻擊現(xiàn)已成為自動說話人驗證（ASV）系統(tǒng)所面臨的嚴(yán)重的安全威脅。文中以ASVspoof 2017語音數(shù)據(jù)集為研究對象進(jìn)行重放語音檢測實驗，利用倒譜均值方差歸一化（CMVN）改進(jìn)檢測系統(tǒng)性能。實驗結(jié)果表明，采用CMVN后的線性頻率倒譜系數(shù)（LFCC）特征在重放語音的檢測上性能優(yōu)于常數(shù)Q變換倒譜系數(shù)（CQCC）、梅爾倒譜系數(shù)（MFCC）和逆梅爾倒譜系數(shù)（IMFCC）特征。

關(guān)鍵詞：物聯(lián)網(wǎng);自動說話人驗證;倒譜特征;重放語音檢測;倒譜均值方差歸一化;逆梅爾倒譜系數(shù)

中圖分類號：TP393;TN912.3文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2020）06-00-03

0 引 言

說話人識別領(lǐng)域在過去的幾十年中取得了重大進(jìn)展。事實上，這項技術(shù)已經(jīng)成熟了，可以廣泛的應(yīng)用于現(xiàn)實世界中。但是多項研究表明，沒有采取一定檢測措施的自動說話人驗證（Automatic Speaker Verification，ASV）系統(tǒng)對于欺騙攻擊表現(xiàn)得非常脆弱[1-3]。語音欺騙攻擊手段主要有模仿、語音合成、語音轉(zhuǎn)換、錄音重放等，其中重放錄音是最容易采用的欺騙攻擊方式，它不需要特殊的信號處理知識就能夠進(jìn)行[4]。在過去的幾年里，特別是從ASVspoof 2015挑戰(zhàn)賽開始，為了保護(hù)說話人識別系統(tǒng)，人們進(jìn)行了大量的研究工作，制定了各種反欺騙策略。一般，反欺騙系統(tǒng)由兩部分組成：前端用于參數(shù)化語音信號，后端通過分類器確定其是真實語音還是欺騙語音[5]。

本文對基于倒譜特征的重放語音檢測系統(tǒng)進(jìn)行實驗和分析，并對比幾種不同倒譜系數(shù)特征系統(tǒng)的性能。

1 ASV系統(tǒng)及重放語音檢測

基于GMM-UBM分類器的ASV系統(tǒng)模型如圖1所示。

ASV系統(tǒng)模型可能在8個位置受到攻擊，其中重放語音攻擊一般發(fā)生在語音信號的輸入，即麥克風(fēng)接收端。相應(yīng)的，反欺騙系統(tǒng)的分類器需要訓(xùn)練真實語音模型和欺騙語音模型，針對重放語音的檢測過程如圖2所示。

2 基于倒譜特征的重放語音檢測算法

重放語音檢測算法的流程如下。

（1）語音信號的采集。

（2）信號的預(yù)處理，包含采樣量化，預(yù)加重，端點檢測，分幀，加窗等。

（3）特征提取。

（4）模型的訓(xùn)練，即分類器。本文采用高斯混合模型（GMM），通過訓(xùn)練集語音數(shù)據(jù)獲得真實說話人語音模型與欺騙語音模型。

（5）檢測判決。對測試語音數(shù)據(jù)（開發(fā)集或評估集語音數(shù)據(jù)）分別在真實說話人語音模型與欺騙語音模型上計算對數(shù)似然分值后，獲得系統(tǒng)的等錯誤率EER值。

本文主要對基于不同倒譜系數(shù)特征的欺騙檢測系統(tǒng)進(jìn)行評估對比，系統(tǒng)的EER值越低反映檢測性能越優(yōu)。

2.1 實驗條件

造成重放語音攻擊研究困難的部分原因是缺乏可公開使用的數(shù)據(jù)庫和統(tǒng)一的基準(zhǔn)，ASVspoof 2017是第一個提供重放語音標(biāo)準(zhǔn)語料庫、協(xié)議和度量指標(biāo)的公共框架倡議。

ASVspoof 2017數(shù)據(jù)集主要以RedDot數(shù)據(jù)庫作為真實語音的來源，RedDot重放數(shù)據(jù)庫作為偽造重放錄音的來源[6]。數(shù)據(jù)集被分成訓(xùn)練集、開發(fā)集和評估集三個分組，表1給出了它們的數(shù)據(jù)統(tǒng)計，數(shù)據(jù)對應(yīng)177種不同的重放會話和61種

不同的重放配置[3]。重放配置是指錄音環(huán)境、錄音設(shè)備和重放設(shè)備的一種組合。

2.2 基于CQCC特征的重放語音檢測

CQCC（Constant Q Cepstral Coefficients）是一種經(jīng)常使用的聲樂識別與檢測的聲學(xué)特征。CQCC的特征提取主要分為以下幾個過程：預(yù)處理，常數(shù)Q變換（CQT），能量譜，對數(shù)能量，離散余弦變換（DCT）[7]。

將經(jīng)過預(yù)處理的語音信號進(jìn)行常數(shù)Q變換，將語音信號由時域變換到頻域。CQT可以被視為一組有著對數(shù)間隔的濾波器，它和小波變換類似，具有可變的時間和頻率分辨率，相較傳統(tǒng)的DFT而言，能提供更佳的信號分辨能力，在ASVspoof 2015的合成語音檢測任務(wù)中表現(xiàn)出優(yōu)秀的檢測性能，因而ASVspoof 2017將CQCC特征的檢測系統(tǒng)作為基線（BASELINE）系統(tǒng)。

提取CQCC特征時，不進(jìn)行預(yù)加重，最低分析頻率設(shè)為15.625 Hz，最高分析頻率取8 000 Hz，第一個八度音階的均勻采樣數(shù)d為16，每個八度音階包含的頻帶數(shù)設(shè)置為96，CQCC原始特征維度設(shè)置為30維（包括0階系數(shù)），在經(jīng)過一階和二階差分以后，最終每幀音頻對應(yīng)的CQCC特征為90維特征向量。GMM分類器的高斯分量數(shù)設(shè)置為512，利用訓(xùn)練好的GMM模型對系統(tǒng)進(jìn)行性能評估。

2.3 基于MFCC，IMFCC，LFCC特征的重放語音檢測

提取MFCC（Mel Frequency Cepstral Coefficients）倒譜系

數(shù)一般包括：預(yù)處理、快速傅里葉變換（Fast Fourier Transform，

FFT）、梅爾濾波、DCT變換。經(jīng)過快速傅里葉變換后得到的離散頻譜用一組三角濾波器進(jìn)行濾波，最后進(jìn)行離散余弦變換。在用MFCC進(jìn)行特征提取時，濾波器以MEL頻率比例放置，在低頻區(qū)域中具有更密集的間隔。

與MFCC不同，IMFCC采用了逆梅爾濾波器組取代梅爾濾波器組。逆梅爾濾波器組與傳統(tǒng)梅爾濾波器組的結(jié)構(gòu)相反，它使用在“倒MEL”尺度上線性分布的濾波器，更強(qiáng)調(diào)高頻區(qū)域，因而在高頻范圍有著更高的分辨率[5，8]。

LFCC（Linear Frequency Cepstral Coefficients）與梅爾倒譜特征提取過程類似，但它的濾波器組頻率不是按MEL頻率分布，而是按照線性頻率分布的。

在進(jìn)行重放語音檢測時，對語音信號進(jìn)行預(yù)加重，系數(shù)取0.97，F(xiàn)FT長度為512。窗函數(shù)為Hamming窗，窗口長20 ms，時間偏移為10 ms，其他設(shè)置和CQCC相似，每幀語音得到90維特征向量，GMM模型同樣為512維。

2.4 倒譜均值方差歸一化

信道干擾會降低重放語音檢測系統(tǒng)的性能，而倒譜均值和方差歸一化（Cepstrum Mean Variance Normalization，CMVN）是一種用于消除干擾信道效應(yīng)的有效的歸一化技術(shù)。不同聲學(xué)環(huán)境下不同設(shè)備的語音回放和記錄類似于附加通道效應(yīng)的積累，而CMVN的目的是減少信道效應(yīng)，這可能會對重放檢測造成不利影響[3]。但這種情況只在錄音發(fā)生在相同信道的條件下成立，由于ASVspoof 2017數(shù)據(jù)來自使用異構(gòu)設(shè)備和信道的Red Dots數(shù)據(jù)庫[6]，此情況并不成立。

CMVN可以幫助將真實的和重放的語音分布調(diào)整到一個共同的范圍，從而迫使欺騙檢測根據(jù)信道差異外的其他影響對兩者進(jìn)行區(qū)分。

3 實驗結(jié)果

不采用CMVN時，對基于不同倒譜特征的檢測結(jié)果進(jìn)行分析，見表2所列。

對比MFCC和IMFCC，IMFCC特征在重放語音檢測中的性能要明顯優(yōu)于MFCC特征的性能。由于逆梅爾濾波器組的特性，IMFCC在高頻段分辨率要高于梅爾濾波器組，說明語音信號高頻段對檢測結(jié)果的影響更大?？傮w來看，CQCC基線系統(tǒng)在評估集的結(jié)果最優(yōu)，LFCC次之，MFCC和IMFCC的性能則相對較差。開發(fā)集的檢測結(jié)果優(yōu)于評估集，主要是由于評估集的語音數(shù)量和重放配置遠(yuǎn)多于開發(fā)集（見表1），所以評估集結(jié)果更能反映系統(tǒng)的實際檢測性能。

為改進(jìn)重放語音檢測系統(tǒng)的性能，對CQCC，LFCC特征采用CMVN，得到的檢測結(jié)果見表3所列。

對比加入CMVN前（見表2）數(shù)據(jù)，CQCC的評估集EER減少了10.61，LFCC的評估集EER下降了19.72。結(jié)果表明，CMVN有助于提升系統(tǒng)對新語音樣本的適應(yīng)能力，并且從改善效果看，LFCC的性能要好于CQCC的性能，因此，可以得出LFCC+CMVN針對重放語音的檢測中有很好的效果。

進(jìn)一步，在LFCC加入CMVN的基礎(chǔ)上，考察GMM模型高斯分量數(shù)的改變對于重放檢測系統(tǒng)性能的影響，結(jié)果見表4所列。

由表4可見，隨著高斯分量數(shù)的增加，EER的值會有一定的減小，但減小幅度有限。實驗結(jié)果表明，適當(dāng)增加高斯分量數(shù)可以提升系統(tǒng)的性能。但是，增加高斯分量數(shù)會使得計算量增大，大大增加實驗的時間。

4 結(jié) 語

基于語音的身份認(rèn)證相對其他生物特征，具有用戶接受程度高、拾音設(shè)備簡單、數(shù)據(jù)量小、計算復(fù)雜度低等優(yōu)勢，因此基于說話人識別的身份認(rèn)證系統(tǒng)應(yīng)用越來越廣泛。但是，說話人識別系統(tǒng)對于各種欺騙攻擊技術(shù)表現(xiàn)非常脆弱?；诘棺V系數(shù)特征的重放語音檢測系統(tǒng)能增加ASV系統(tǒng)的可靠性，本文在實驗后得出結(jié)論：基于IMFCC特征的系統(tǒng)檢測性能要優(yōu)于基于MFCC特征的系統(tǒng)，但總體上，基于MFCC和IMFCC特征的系統(tǒng)性能相對較差;CMVN能提升重放語音檢測系統(tǒng)的性能;增加GMM模型高斯分量數(shù)也能少許改善系統(tǒng)檢測性能，但要付出運(yùn)算量代價;相比CQCC，MFCC，IMFCC，基于LFCC特征的檢測系統(tǒng)，性能最優(yōu)。

參考文獻(xiàn)

[1] WU Z Z，EVANS N，KINNUNEN T，et al. Spoofing and countermeasures for speaker verification：a survey [J]. Speech communication，2015，66：130-153.

[2] KINNUNEN T，WU Z Z，LEE K A，et al. Vulnerability of speaker verification systems against voice conversion spoofing attacks：the case of telephone speech [C]// IEEE International Conference on Acoustics. Kyoto：IEEE，2012：4401-4404.

[3] DELGADO H，TODISCO M，SAHIDULLAH M，et al. ASVspoof 2017 Version 2.0：meta-data analysis and baseline enhancements [C]// Odyssey 2018-The Speaker and Language Recognition Workshop. Les Sables dOlonne，2018.

[4] FONT R，L?PEZ J M E，CANO M J. Experimental analysis of features for replay attack detection：results on the ASVspoof 2017 challenge [C]// International Speech Communication Association. Stockholm：Interspeech，2017：7-11.

[5] SAHIDULLAH M，KINNUNEN T，CEMAL H. A comparison of features for synthetic speech detection [C]// Proceedings of the Annual Conference of the International Speech Communication Association. Dresden：Interspeech，2015：2087-2091.

[6] KINNUNEN T，SAHIDULLAH M，F(xiàn)ALCONE M，et al. RedDots replayed：a new replay spoofing attack corpus for text-dependent speaker verification research [C]// 2017 IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP 2017）. New Orleans：IEEE，2017：5395-5399.

[7] TODISCO M，H?CTOR D，EVANS N. Constant Q cepstral coefficients：a spoofing countermeasure for automatic speaker verification [J]. Computer speech & language，2017，45：516-535.

[8]林朗，王讓定，嚴(yán)迪群，等.基于逆梅爾對數(shù)頻譜系數(shù)的回放語音檢測算法[J].電信科學(xué)，2018，34（5）：96-104.

[9]凌賢鵬，李綻蕾，劉昊.基于智能語音的智能家居系統(tǒng)設(shè)計[J].物聯(lián)網(wǎng)技術(shù)，2019，9（1）：73-74.

[10]原晨，高勇.高質(zhì)量信道上回聲隱藏法秘密信息提取出錯原因分析[J].現(xiàn)代電子技術(shù)，2015，38（11）：103-106.