利用改进的群延迟技术和自监督紧凑卷积变换器提升合成语音的检测效果

《IEEE Access》：Enhancing Synthesized Speech Detection Using Modified Group Delay and Self-Supervised Compact Convolutional Transformer

　　

摘要：

随着合成语音技术的日益复杂化，检测系统需要针对基本的生理限制进行识别，而不仅仅是表面特征。我们的方法利用改进的群延迟（MGD）来捕捉合成器难以复制的声道特性。然后，我们使用这种强大的表示方法通过自监督学习训练一个紧凑卷积变换器（CCT）模型。这种训练基于掩码预测，灵感来自Wav2Vec2等模型，并采用信息噪声对比估计（InfoNCE）损失来迫使模型学习真实人类语音的局部、深层和上下文结构。因此，训练有素的CCT成为一个强大的编码器，能够生成具有区分性的嵌入。最后，在这些嵌入的基础上训练一个简单的监督二元分类器，以区分真实语音和合成语音，从而创建一个能够抵御新型和不断发展的合成语音威胁的混合检测系统。该方法在ASVspoof 2019 LA数据集上的评估中达到了最先进的性能，均等错误率（EER）为0.0093%，从而在没有增强处理的情况下树立了新的基准。此外，它在更具挑战性的ASVspoof 2021 LA数据集上展示了出色的泛化能力，EER为0.61%，并在In-The-Wild数据集上取得了优异的性能，EER为6.13%。