基于全局-時頻注意力網(wǎng)絡(luò)的語音偽造檢測

王成龍 易江燕 陶建華,3 馬浩鑫 田正坤 傅睿博

1(中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院 合肥 230027)

2(模式識別國家重點(diǎn)實(shí)驗(yàn)室(中國科學(xué)院自動化研究所) 北京 100080)

3(中國科學(xué)院大學(xué)人工智能學(xué)院 北京 100049)

自動說話人驗(yàn)證(automatic speaker verification, ASV)[1-3]是指通過分析說話人的語音來自動接受或拒絕其身份.它作為一種身份識別技術(shù)，已經(jīng)廣泛應(yīng)用于各種場景，例如：電子購物、電話銀行、電子商務(wù)等.最近，越來越多的研究表明：ASV系統(tǒng)面臨著各種偽造語音攻擊的問題.常見的偽造語音可以分為4種方式：語音模仿、錄音重放、語音合成和語音轉(zhuǎn)換[4].因此，研究人員設(shè)法開發(fā)出有效的反欺騙系統(tǒng)，以保護(hù)ASV系統(tǒng)免受偽造語音的欺騙攻擊.

為了提高反欺騙系統(tǒng)的性能，最近的工作主要集中在2個方面：1)改善音頻的聲學(xué)特征;2)設(shè)計新的分類模型.選取能夠有效區(qū)別真實(shí)語音和偽造語音的聲學(xué)特征尤為重要.Todisco等人[5]將常數(shù)Q變換倒譜系數(shù)(constant Q cepstral coefficients, CQCC)應(yīng)用于語音鑒偽中，使用常數(shù)Q變換(constant Q transform, CQT)而不是短時傅里葉變換來處理語音信號，其性能優(yōu)于普通的梅爾倒譜系數(shù)(Mel frequency cepstrum coefficients, MFCC).Sahidullah等人[6]用線性濾波代替了梅爾刻度濾波，提出了線性頻率倒譜系數(shù)(linear frequency cepstrum coeffi-cients, LFCC)，使其更加關(guān)注高頻段特征.此外，Sahidullah等人[6]還嘗試了翻轉(zhuǎn)梅爾倒譜系數(shù)(inverse Mel frequency cepstrum coefficients, IMFCC)，將原先的梅爾刻度翻轉(zhuǎn)過來，使其在高頻段分布更密，從而更專注于高頻特征.另一種方法是設(shè)計新的分類模型，該模型可以學(xué)習(xí)到真?zhèn)握Z音的區(qū)分表示.高斯混合模型(Gaussian mixture model, GMM)是最常用的分類模型.隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)的性能，要比直接使用GMM更好[7-10].例如具有最大特征圖(max feature map, MFM)激活功能的輕量型卷積神經(jīng)網(wǎng)絡(luò)(light convolution neural network, LCNN)[11]，通過競爭學(xué)習(xí)的方法不僅可以分離噪聲信號和信息信號，還可以起到特征選擇的作用.殘差網(wǎng)絡(luò)(residual network, ResNet)[12]提出了殘差模塊，解決了網(wǎng)絡(luò)“退化”的問題，即隨著網(wǎng)絡(luò)模型的加深，學(xué)習(xí)效果反而變差.這2種方法均被證明是有效的，這表明使用適當(dāng)?shù)那岸寺晫W(xué)特征以及出色的深度學(xué)習(xí)模型對于偽造語音檢測都是至關(guān)重要的.

雖然以上工作已經(jīng)取得了比較好的表現(xiàn)，但仍存在2個方面問題：1)現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)及其變種忽視了每一維上特征圖的不同位置強(qiáng)調(diào)的信息是不一樣的，它們假設(shè)送入卷積神經(jīng)網(wǎng)絡(luò)的特征圖的每一維對結(jié)果的影響是相同的.2)當(dāng)前工作集中關(guān)注特征圖的局部信息，無法利用全局視圖中特征圖之間的關(guān)系.如何更全面精準(zhǔn)地分析利用這些屬性特性找到真實(shí)語音和偽造語音的區(qū)別，將有限的注意力集中在重點(diǎn)信息上是目前語音偽造檢測研究所面臨的一項重要挑戰(zhàn).

注意力機(jī)制在圖像識別、自然語言處理、語音識別等領(lǐng)域[13-17]有了很多成功應(yīng)用.受到這些應(yīng)用的啟發(fā)，我們考慮引入注意力機(jī)制來解決將有限的注意力集中在重點(diǎn)信息上這一挑戰(zhàn).Lai等人[9]在語音偽造檢測領(lǐng)域中引入SE-Net，從全局維度分配注意力權(quán)重.Sarthak等人[18]在說話人識別領(lǐng)域引入時頻注意力，關(guān)注局部的注意力分配.但是他們沒有考慮到將全局注意力模塊和時頻注意力模塊聯(lián)合使用.本文融合了全局-時頻注意力模塊，同時從全局和時頻特征圖2個層面的注意力機(jī)制為不同的特征賦予不同的注意力權(quán)重，實(shí)現(xiàn)了真?zhèn)握Z音特征更全面精準(zhǔn)的區(qū)分，從而保證了真?zhèn)握Z音的準(zhǔn)確預(yù)測.此外，為了進(jìn)一步獲得更具有區(qū)分性的真?zhèn)握Z音嵌入，我們將softmax損失函數(shù)替換成了angular softmax[19]損失函數(shù)，從優(yōu)化內(nèi)積空間到優(yōu)化角度空間，使得類間距離擴(kuò)大，類內(nèi)距離縮小，從而使得真?zhèn)握Z音的區(qū)分性更大了.最后，我們在ASVspoof2019公開數(shù)據(jù)集上進(jìn)行一系列實(shí)驗(yàn)，結(jié)果顯示所提的模型取得不錯的效果，最佳模型的等錯誤率(equal error rate, EER)達(dá)到4.12%，刷新了單個模型的最好成績.

本文的主要貢獻(xiàn)包括2個方面:

1) 融合了全局-時頻注意力網(wǎng)絡(luò)，從全局和時頻特征圖2個層面的注意力機(jī)制為不同的特征賦予不同的注意力權(quán)重，實(shí)現(xiàn)了真?zhèn)握Z音特征更全面精準(zhǔn)的區(qū)分;

2) 將softmax損失函數(shù)替換成了angular softmax損失函數(shù)，進(jìn)一步提升了模型的性能.

1 相關(guān)工作

本節(jié)從輕量型卷積神經(jīng)網(wǎng)絡(luò)、注意力機(jī)制、前端聲學(xué)特征研究和angular softmax損失函數(shù)4個方面介紹相關(guān)工作.

1.1 輕量型卷積神經(jīng)網(wǎng)絡(luò)

輕量型卷積神經(jīng)網(wǎng)絡(luò)(LCNN)最早應(yīng)用于人臉識別，此后在ASVspoof2017比賽中，第1名的隊伍使用了LCNN的方法，隨后在語音偽造檢測領(lǐng)域中大量被使用.在LCNN中，每一個卷積層都用了最大特征圖MFM如圖1所示，具體而言就是將原輸入層分為2個部分，通過競爭學(xué)習(xí)，丟棄了輸出較小的部分，剩下輸出較大的部分.此外，LCNN相較于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不僅可以獲得更好的性能，還可以減少參數(shù)量.本文所提的整體網(wǎng)絡(luò)框架就在LCNN的基礎(chǔ)上進(jìn)行了改進(jìn).

Fig. 1 Max feature map圖1 最大特征圖

1.2 注意力機(jī)制

眾所周知，注意力在人類感知中起著重要的作用.注意力機(jī)制最早在計算機(jī)視覺領(lǐng)域廣泛應(yīng)用[13,20]，當(dāng)一幅場景擺在我們面前時，我們所能注意到的東西是不一樣的，換句話說，該場景下我們對每一處空間的注意力分布是不一樣的.同樣，這種情況也適用于語音場景.最近，一些基于卷積注意力的工作在說話人識別中開展[21-23].文獻(xiàn)[24]引入SE-Net到說話人嵌入提取器中來提高對說話人嵌入之間的微妙差異的學(xué)習(xí)能力.SE-Net可以通過動態(tài)地分配通道維度的權(quán)重來提高網(wǎng)絡(luò)的表達(dá)能力.具體而言，SE-Net是一個簡化的網(wǎng)絡(luò)，它可以插入基于CNN的網(wǎng)絡(luò)中，以學(xué)習(xí)通道之間的相互依賴性，并生成一組通道層面的權(quán)重，以強(qiáng)調(diào)有用的信息抑制無用的信息.這種從全局考慮長時說話人語音的方法被證實(shí)在說話人識別中是有效的.

1.3 前端聲學(xué)特征

在本節(jié)中，我們將介紹在DNN框架下不同的前端聲學(xué)特征.

1) 線性頻率倒譜系數(shù)LFCC

LFCC是一種基于三角濾波器組的倒譜特征，類似于廣泛使用的梅爾頻率倒譜系數(shù)(MFCC).它的提取方法于MFCC類似，但是濾波器是線性的而不是梅爾刻度.因此，LFCC在高頻區(qū)域可能具有更好的分辨率.

2) 翻轉(zhuǎn)梅爾倒譜系數(shù)IMFCC

IMFCC也是一種基于三角濾波器組的倒譜特征，與MFCC不同的是，IMFCC采用的的濾波器是逆梅爾刻度，即在高頻比較密集，在低頻比較稀稠.因此IMFCC也更關(guān)注高頻區(qū)域.

3) 常數(shù)Q變換倒譜系數(shù)CQCC

CQCC使用常數(shù)Q變換(即CQT)而不是短時傅里葉變換來處理語音信號，其性能優(yōu)于普通的梅爾倒譜系數(shù)MFCC.

4) 濾波器組(Fbank)

Fbank是一種基于三角濾波器組的倒譜特征，它的提取過程與MFCC類似，在離散余弦變換之前得到的特征我們就稱為Fbank.

5) 語譜圖

給定語音序列t(n)，Tn(ω)是其經(jīng)過窗函數(shù)ω(n)的短時傅里葉結(jié)果.Tn(ω)可以表示為

Tn(ω)=|Tn(ω)|ejθn(ω)，

(1)

其中,|Tn(ω)|指的是短時幅度譜，θn(ω)指的是相位譜.

1.4 angular softmax損失函數(shù)

傳統(tǒng)的softmax損失函數(shù)定義為

(2)

其中,N是訓(xùn)練樣本的個數(shù)，xi是第i個樣本，yi是其對應(yīng)的標(biāo)簽w是最后一層全連接網(wǎng)絡(luò)的參數(shù).

(3)

其中，θi,yi是矢量Wyi和xi之間的夾角，為了進(jìn)一步讓真?zhèn)握Z音的分類間隔擴(kuò)大，我們引入了一個參數(shù)m，使得cos(mθ1)>cos(θ2)，就得到了angular-softmax損失函數(shù)，其表達(dá)式為

La=

(4)

其中,m是固定的角度間隔，m值越大角度間隔越大.

2 本文所提框架

在本節(jié)中，我們首先介紹全局-時頻注意力網(wǎng)絡(luò)的總體框架，然后分別介紹2個注意力模塊，它們分別捕獲時頻局部信息和全局信息.

2.1 全局時頻注意力網(wǎng)絡(luò)總體框架

Fig. 2 Global and temporal-frequency attention based network圖2 全局-時頻注意力網(wǎng)絡(luò)

總體注意力過程可以概括為

X′=Mg(X)?X,

X″=Mtf(X)?X,

(5)

X?=X′⊕X″,

2.2 全局注意力模塊和時頻注意力模塊

1) 全局注意力模塊

Fig. 3 Global attention module圖3 全局注意力模塊

(6)

其次是激活操作，它類似循環(huán)神經(jīng)網(wǎng)絡(luò)中門的機(jī)制，通過參數(shù)來為每個特征通道生成權(quán)重，其中參數(shù)被學(xué)習(xí)用來顯式地建模特征通道間的相關(guān)性：

s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))，

(7)

其中,δ指的是ReLU激活函數(shù)，σ指的是sigmoid激活函數(shù).

Fig. 4 Temporal-frequency module圖4 時頻注意力模塊

最后是重新分配權(quán)重，我們將上一步輸出的權(quán)重看作是經(jīng)過特征選擇后的每個特征通道的重要性，然后通過乘法逐個通道加權(quán)到先前的特征上，完成在通道維度上的對原始特征的重新標(biāo)定.

2) 時頻注意力模塊

(8)

其中，sji表示第i個位置對第j個位置的影響，2個位置的特征表示越相似，他們之間的相關(guān)性越高.

(9)

其中，α初始化為0并逐漸學(xué)會分配權(quán)重.從式(9)可以得出，每個位置上的結(jié)果特征D是所有位置上的特征與原始特征的加權(quán)和.因此，它具有全局前后幀視圖，并根據(jù)時頻注意力圖選擇性地聚合前后幀.相似的語音特征實(shí)現(xiàn)了共同的促進(jìn)，從而改善了類內(nèi)部的緊湊性.

3 實(shí) 驗(yàn)

3.1 數(shù)據(jù)集

本文所有的實(shí)驗(yàn)都在ASVspoof2019[24]數(shù)據(jù)集上進(jìn)行，我們關(guān)注的重點(diǎn)是合成語音和轉(zhuǎn)換語音對真實(shí)語音的干擾，因此我們采用的是logical access(LA)數(shù)據(jù)集.數(shù)據(jù)集的詳細(xì)說明可以在表1看到.LA數(shù)據(jù)集包含3個子集：訓(xùn)練集、開發(fā)集和測試集.訓(xùn)練集包含2 580條真實(shí)語音和22 800條用6種方式合成或轉(zhuǎn)換的偽造語音；開發(fā)集包含2 548條真實(shí)語音和22 296條用6種方式合成或轉(zhuǎn)換的偽造語音；測試集包含了7 355條真實(shí)語音和64 578條未知算法生成的偽造語音.

Table 1 ASVspoof2019 LA Dataset表1 ASVspoof2019 LA數(shù)據(jù)集

3.2 評價指標(biāo)

本文采用等錯率(EER)來描述系統(tǒng)的指標(biāo).等錯率是一種權(quán)衡錯誤拒絕率和錯誤接受率的一項指標(biāo).

(10)

EER=Pfa(θEER)=Pmiss(θEER).

其中,Pfa(θ)是錯誤接受率，是指偽造語音被判定為真實(shí)語音的數(shù)量除以總的偽造語音的數(shù)量；Pmiss(θ)指的是錯誤拒絕率，指的是真實(shí)語音判定為偽造語音的數(shù)量除以總的真實(shí)語音的數(shù)量.錯誤接受率和錯誤拒絕率的值相等時，此值就是等錯率.

3.3 實(shí)驗(yàn)?zāi)Ｐ团渲门c參數(shù)設(shè)置

本文在基于LCNN的語音偽造檢測的基礎(chǔ)上增加了批量歸一化層和全局-時頻注意力模塊，在減少其內(nèi)部相關(guān)變量的偏移和加速網(wǎng)絡(luò)收斂的同時從全局和時頻特征圖2個層面的注意力機(jī)制為不同的特征賦予不同的注意力權(quán)重，實(shí)現(xiàn)了真?zhèn)握Z音特征更全面精準(zhǔn)的區(qū)分.其網(wǎng)絡(luò)結(jié)構(gòu)如表2所示:

Table 2 LCNN Architecture表2 LCNN網(wǎng)絡(luò)結(jié)構(gòu)

首先對輸入的語音數(shù)據(jù)進(jìn)行預(yù)處理、特征提取(如1.3節(jié)提到的LFCC,Fbank,CQCC,IMFCC等).其次基于全局-時頻注意力的LCNN網(wǎng)絡(luò)，提取語音的深層次非線性因子特征.最后，由全局-時頻注意力網(wǎng)絡(luò)的最后一層輸出輸入到全連接層，計算真實(shí)語音和偽造語音的得分，用于預(yù)測真?zhèn)握Z音類別的標(biāo)簽.

為了驗(yàn)證本文所提方法的有效性和聲學(xué)特征的影響，我們主要設(shè)置了11組實(shí)驗(yàn)，具體配置為

1) LFCC-GMM.LFCC-GMM是ASVspoof2019提供的基線系統(tǒng)，其中高斯混合數(shù)為512.LFCC的提取參照基線系統(tǒng)——窗口長度設(shè)為20 ms，F(xiàn)FT維數(shù)為512，并且濾波器組數(shù)為20，并對其作一階和二階差分.

2) LFCC-LCNN.LCNN參照表2，但是沒有包含注意力模塊，總共有9層卷積層.LFCC的提取方式和LFCC-GMM類似.

3) LFCC-CMVN-LCNN.整個框架與LFCC-LCNN類似，不過在LFCC提取過程中作了均值和方差的歸一化處理.

4) CQCC-LCNN.CQCC的提取采用常規(guī)的默認(rèn)值，即每八度音階96個譜線，窗口大小為1 724，步長為0.008 1.

5) Fbank-LCNN.Fbank的提取窗口長度設(shè)為20 ms，F(xiàn)FT維數(shù)為512，并且濾波器組數(shù)為40.

6) Spectrum-LCNN.語譜圖的提取窗口長度設(shè)為20 ms，F(xiàn)FT維數(shù)為512.

7) LFCC-LCNN-Global&TF.LCNN-Global& TF指的是含有全局-時頻注意力模塊的LCNN，其結(jié)構(gòu)如表2所示.LFCC的提取方式和LFCC-GMM類似.

8) LFCC-LCNN-CBAM.同上，將注意力模塊換成了CBAM[15]模塊.

9) LFCC-LCNN-Global.整體框架與LFCC-LCNN-Global&TF保持一致，注意力模塊只選擇了全局注意力模塊.

10) LFCC-LCNN-TF.同上，注意力模塊方面只選擇了時頻注意力模塊.

11) LFCC-LCNN-Global&TF-Asoftmax.整體框架與LFCC-LCNN-Global&TF類似，不過將softmax換成了A-softmax.

本文所提模型基于深度學(xué)習(xí)框架PyTorch展開實(shí)驗(yàn).優(yōu)化器為Adam，其中batchsize=32，初始學(xué)習(xí)率為0.0005，動量為0.9，模型迭代次數(shù)為200.

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1 前端聲學(xué)特征的影響

為了探究前端聲學(xué)特征對系統(tǒng)的影響，本文在保持后端分類器LCNN不變的情況下，設(shè)置了不同的前端聲學(xué)特征.實(shí)驗(yàn)結(jié)果如表3所示.對比5種聲學(xué)特征，可以看出，LFCC的性能最好，這與先前的分析保持一致，這是由于LFCC的濾波器是線性的而不是梅爾刻度，因此在高頻區(qū)域有更好的分辨率.此外，對比表3中行5和行6，可以看出對LFCC做了均值和方差歸一化后效果反而變差了.這是由于測試集和訓(xùn)練集、開發(fā)集的差異較大，因此做了歸一化結(jié)果變差.

Table 3 The Result of Front-End Acoustic Characteristics表3 前端聲學(xué)特征的結(jié)果 %

3.4.2 全局-時頻注意力的影響

由于表3的實(shí)驗(yàn)驗(yàn)證了LFCC的有效性，因此接下來我們統(tǒng)一將前端聲學(xué)特征固定為LFCC，通過更改后端網(wǎng)絡(luò)分類器來驗(yàn)證本文所提的全局-時頻注意力網(wǎng)絡(luò)的有效性.實(shí)驗(yàn)結(jié)果如表4所示.分別對比表4行1和行2～5，可以得到結(jié)論，加了注意力模塊的系統(tǒng)相較于原系統(tǒng)對結(jié)果都有提升.此外，我們還對全局-時頻注意力模塊做了消融實(shí)驗(yàn)，以說明不同注意力模塊對整體性能的影響.具體而言，我們比較了3種注意力模塊：只包含全局注意力模塊(LCNN-Global)、只包含時頻注意力模塊(LCNN-TF)和并行的全局-時頻注意力模塊(LCNN-Global& TF).表4的行3到行5總結(jié)了不同注意力模塊安排方式的結(jié)果.從結(jié)果中，我們可以發(fā)現(xiàn)并行地使用全局-時頻注意力模塊要優(yōu)于單獨(dú)使用任一注意力模塊，這表明將2種注意力模塊并行使用是有效果的.此外，單獨(dú)使用全局注意力模塊的性能要略好于單獨(dú)使用時頻注意力模塊.

Table 4 The Result of Attention Module表4 注意力模塊的結(jié)果 %

3.4.3 A-softmax損失函數(shù)的影響

我們還驗(yàn)證了A-softmax損失函數(shù)的有效性.從表5可以看出，將損失函數(shù)從softmax替換成了A-softmax之后，EER從4.33%下降到了4.12%，性能提升了5.1%.這一結(jié)果表明：A-softmax損失函數(shù)通過優(yōu)化角度空間，使得類間距離擴(kuò)大，類內(nèi)距離縮小，從而擴(kuò)大了真?zhèn)握Z音的區(qū)分性.此外，我們還對表4的5個系統(tǒng)和表6的A-softmax系統(tǒng)做了分?jǐn)?shù)層面的融合，融合后的EER為3.21%.表6中，文獻(xiàn)[25]的方法與本文表2的LFCC方法類似，但是由于其沒有提供公開代碼，不能完全復(fù)現(xiàn)，性能比它略低.融合了表4的5個系統(tǒng)和表5的A-softmax系統(tǒng)，總共6個系統(tǒng).

Table 5 The Influence of A-softmax Loss Function表5 A-softmax損失函數(shù)的影響 %

Table 6 Comparison of Proposed Method with State-of-the-art System表6 與其他方法比較的結(jié)果 %

Table 7 Multi-system Fusion表7 多系統(tǒng)融合 %

3.4.4 與其他最先進(jìn)的系統(tǒng)對比

為了進(jìn)一步證明本文所提方法的有效性，我們將本文的方法與其他在ASVspoof2019 LA數(shù)據(jù)集上的先進(jìn)系統(tǒng)的結(jié)果做了對比.為了公平起見，我們將結(jié)果與其他系統(tǒng)的單個系統(tǒng)進(jìn)行比較.從表6可以看出，本文所提的方法在單個系統(tǒng)中達(dá)到了最佳的性能，等錯誤率達(dá)到了4.12%，這個分?jǐn)?shù)也是目前我們能了解到的在ASVspoof2019 LA數(shù)據(jù)集上單個系統(tǒng)的最佳成績，進(jìn)一步地證明了本文方法的有效性.

4 討 論

據(jù)3.4節(jié)實(shí)驗(yàn)結(jié)果可見，本文所提的方法在測試集上的EER均有明顯下降.

在單獨(dú)使用全局注意力模塊或時頻注意力模塊相較于原系統(tǒng)都有性能上的提升.此外，并行使用全局-時頻注意力模塊會進(jìn)一步提升系統(tǒng)性能.這是由于全局-時頻注意力能夠有效地從全局維度和時頻維度關(guān)注全局和時頻特征的有效信息，抑制那些無用信息，從而提高了實(shí)驗(yàn)結(jié)果.

除此之外，在損失函數(shù)層面用A-softmax代替softmax之后，性能進(jìn)一步提升，在ASVspoof2019 LA數(shù)據(jù)集上單個系統(tǒng)上取得最佳成績.這是由于A-softmax損失函數(shù)通過優(yōu)化角度空間，使得類間距離擴(kuò)大，類內(nèi)距離縮小，從而擴(kuò)大了真?zhèn)握Z音的區(qū)分性.

5 總 結(jié)

語音偽造檢測是近年一個研究熱點(diǎn).本文針對目前工作沒有考慮到每一維上特征圖的不同位置強(qiáng)調(diào)的信息是不同的問題，引入了一種基于全局-時頻注意力網(wǎng)絡(luò)的語音偽造檢測模型.首先，我們從卷積神經(jīng)網(wǎng)絡(luò)輸出的三維特征圖壓縮到只剩下通道維度，再將其經(jīng)過一個類似循環(huán)神經(jīng)網(wǎng)絡(luò)中門控制的機(jī)制，通過參數(shù)為每個特征通道生成權(quán)重，其中參數(shù)被學(xué)習(xí)用來顯式建模特征通道間的相關(guān)性.通過這種辦法，我們可以得到特征通道上響應(yīng)的全局分布.與此同時，我們通過使用加權(quán)求和在所有時頻特征圖上聚合特征來進(jìn)行更新，其中權(quán)重由對應(yīng)2個時頻點(diǎn)之間的相似性決定.此外，為了進(jìn)一步獲得更具有區(qū)分性的真?zhèn)握Z音嵌入，我們將softmax損失函數(shù)替換成了A-softmax損失函數(shù)，從優(yōu)化內(nèi)積空間到優(yōu)化角度空間，使得類間距離擴(kuò)大，類內(nèi)距離縮小，從而使得真?zhèn)握Z音的區(qū)分性更大了.最后，在ASVspoof2019 LA這個公開數(shù)據(jù)集中，通過一系列的實(shí)驗(yàn)表明本文所提的全局-時頻注意力網(wǎng)絡(luò)模型取得了最好的分類結(jié)果，充分證明了模型在語音偽造檢測問題上的有效性.

未來的研究工作中，可以針對不同的特征組合拼接或者相位信息的聲學(xué)特征對語音偽造檢測的影響上進(jìn)行更多的考慮和設(shè)計.

作者貢獻(xiàn)聲明：王成龍進(jìn)行了該論文的模型設(shè)計、實(shí)驗(yàn)編碼及運(yùn)行、論文撰寫等工作；易江燕進(jìn)行了前期方法的討論設(shè)計與論文修改；陶建華進(jìn)行了論文修改；馬浩鑫進(jìn)行了補(bǔ)充實(shí)驗(yàn)以及模型調(diào)優(yōu)；田正坤進(jìn)行了損失函數(shù)的代碼支持，以及從語音識別角度對方法提供改良；傅睿博從語音偽造角度提出引入全局模塊.