自动说话人验证系统的反欺诈方法
通过在嵌入空间中利用有限的训练数据来增强简单的后端分类器,我们提出了通用的独立式自动说话人验证(G-SASV)系统,以对抗欺骗攻击,同时避免在测试(认证)阶段单独使用 CM 模块,在 ASVspoof 2019 逻辑访问数据集中,我们相对统计 ASV 后端在合并(真实和欺骗)和欺骗条件下的性能分别最大提高了 36.2%和 49.8%,以等错误率为指标。
Jan, 2024
本文提出了基于不同声学特征空间的对抗攻击反欺诈技术,并比较了线性和非线性分类器的效果。实验表明,相位相关和小波基础特征对系统效率的提高有重要作用。
Jul, 2015
研究了自动说话人验证(ASV)任务中的欺骗攻击,并通过对不同 ASV 系统和欺骗攻击系统的分析,证明了 ASV 系统的进化本质上包含了对欺骗攻击的防御机制。然而,研究还强调了欺骗攻击的进步远远超过了 ASV 系统的进展,因此需要进一步研究针对欺骗攻击的 ASV 方法论。
Jun, 2024
ASVspoof 2019 是社区带领的挑战活动之一,主要关注自动说话人验证(ASV)系统面对欺骗的反制措施,其中考虑了逻辑和物理接入情况,三种欺骗攻击方式,使用神经声学和波形模型生成欺骗攻击,采用双重检测费用函数(t-DCF)对 ASV 系统可靠性进行评估,并囊括了对伪造音频侦测的关注。共有 63 个研究团队参与了此次活动,半数以上的团队报告的系统性能优于两个基线欺骗反制措施。 - 摘自 ASVspoof 2019 的数据库、协议和挑战结果。该工作展示了在反制欺骗和伪造音频方面的实际进展。
Apr, 2019
研究如何提高自动说话人验证系统的欺骗稳健性,主要从基于概率线性判别分析的后端分类器入手,并运用三种无监督领域适应技术来优化它。旨在提高系统在逻辑和物理接近情境下的表现,对于后者,尤其是在被重放音频攻击时,针对真实的和伪造的情况,相对改进率分别达到 36.1% 和 5.3% 接近最高点。除此之外,还进行了一些额外的研究,如攻击分析、数据构成和与高斯后端的分数级别的对策系统的集成分析。
Mar, 2022
该论文介绍了一种自动发言人验证系统,以从目标发言人的音频中提取嵌入信息,用于获取他的声音的重要特征,如音高、能量和音素的持续时间,并在多声音 TTS 流水线中使用该信息。
Jun, 2024
提出了一种基于多种 i-vector 子系统的得分融合方法,通过采用声学水平的 Mel 频率倒谱系数(MFCC)特征、相位水平的修改群延迟倒谱系数(MGDCC)和语音学水平的音素后验概率(PPP)串联特征来检测并对抗欺骗性语音信号。
Jul, 2015
本研究旨在开发一种单一的整合了反欺骗技术的演讲者验证嵌入式系统,此系统具备拒绝非目标演讲者及目标演讲者欺诈性输入的能力,而且与融合自动演讲者验证(ASV)及反欺骗对策(CM)嵌入式系统相比,能够具备竞争性的表现。该研究提出的新框架包括多阶段训练与损失函数的组合,并利用多种声码器与合成技术,来回应训练数据不足及短缺欺骗性数据的问题。实验结果表明出色的改善,进而实现了对 SASV2022 挑战赛评估协议的 SASV-EER 低至 1.06% 的性能。
May, 2023
本文旨在对串联检测费用函数的应用进行扩展,作为一种基于风险的方法评估自动说话者验证系统中虚假对抗性攻击的可靠性,希望采用此方法能够促进反欺诈和自动说话者验证国际社区之间的更紧密合作。
Jul, 2020