该研究论文旨在全面系统地概述自动说话者验证中用于防御欺诈攻击的方法，包括重播和合成语音，以及对抗性攻击和最近出现的部分假语音。

May, 2023

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

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

自动说话人验证（ASV）容易受到对抗性攻击的影响。为了减轻对抗性噪声的影响，通常采用净化模块作为预处理方法。然而，由于不同的实验设置，这些方法常常难以直接进行比较。本文在一个统一的框架中全面比较了主流的净化技术。我们发现这些方法常常在用户体验和安全性之间面临一个权衡，因为它们难以同时保持真实样本性能和减小对抗性扰动。为了应对这一挑战，一些努力将净化模块扩展到包含检测能力，以减轻这种权衡。然而，先进的净化模块总是会超越先前的检测方法。因此，我们进一步提出了一种易于跟随的集成方法，将先进的净化模块用于检测，以实现对抗性噪声的最新性能。由于与未来的先进净化技术兼容，我们的集成方法具有巨大潜力。

Dec, 2023

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

本研究旨在通过分析不同的声学特征空间和分类器，确定可靠和强大的对抗欺骗攻击的措施。实验结果表明，基于深度神经网络（DNN）的方法在欺骗检测任务中获得了相当低的等错误率 (EER)

May, 2017

该论文研究了定向对抗攻击自我训练的自动语音识别模型，发现现代自我训练的自动语音识别模型容易受到对抗攻击的影响，进一步揭示了现代 ASR 体系结构的安全威胁。

Sep, 2022

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

改进语音识别模型的鲁棒性需要从评估攻击转向系统化评估，通过在不同架构上评估代表性的对抗性攻击，我们发现不同攻击算法的相对强度在更改模型架构时会有相当大的差异，并且某些攻击的结果不能盲目信任，自我监督预训练等培训选择可显着影响鲁棒性。

Mar, 2022