摘 要：語音合成和轉(zhuǎn)換技術(shù)的不斷更迭對(duì)聲紋識(shí)別系統(tǒng)產(chǎn)生重大威脅。針對(duì)現(xiàn)有語音欺騙檢測(cè)方法中難以適應(yīng)多種欺騙類型，對(duì)未知欺騙攻擊檢測(cè)能力不足的問題，提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ） 與Ｔｒａｎｓｆｏｒｍｅｒ 的欺騙語音檢測(cè)模型。設(shè)計(jì)基于坐標(biāo)注意力（Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ） 嵌入的ＳＥ-ＲｅｓＮｅｔ１８ 的位置感知特征序列提取網(wǎng)絡(luò)，將語音信號(hào)局部時(shí)頻表示映射為高維特征序列并引入二維位置編碼（ｔｗｏ-Ｄｉｍｅｎｓｉｏｎａｌ Ｐｏｓｉｔｉｏｎ Ｅｎｃｏｄｉｎｇ，２Ｄ-ＰＥ） 保留特征之間的相對(duì)位置關(guān)系；提出多尺度自注意力機(jī)制從多個(gè)尺度建模特征序列之間的長期依賴關(guān)系，解決Ｔｒａｎｓ-ｆｏｒｍｅｒ 難以捕捉局部依賴的問題；引入特征序列池化（Ｓｅｑｕｅｎｃｅ Ｐｏｏｌｉｎｇ，ＳｅｑＰｏｏｌ） 提取話語級(jí)特征，保留Ｔｒａｎｓｆｏｒｍｅｒ 層輸出幀級(jí)特征序列之間的相關(guān)性信息。在ＡＳＶｓｐｏｏｆ２０１９ 大賽官方邏輯訪問（Ｌｏｇｉｃ Ａｃｃｅｓｓ，ＬＡ） 數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，提出的方法相對(duì)于當(dāng)前先進(jìn)的欺騙語音檢測(cè)系統(tǒng)，等錯(cuò)誤率（Ｅｑｕａｌ Ｅｒｒｏｒ Ｒａｔｅ，ＥＥＲ） 平均降低１２． ８３％ ，串聯(lián)檢測(cè)成本函數(shù)（ｔａｎｄｅｍ Ｄｅｔｅｃｔｉｏｎ Ｃｏｓｔ Ｆｕｎｃｔｉｏｎ，ｔ-ＤＣＦ） 平均降低７． ８１％ 。

關(guān)鍵詞：欺騙語音檢測(cè)；位置感知序列；Ｔｒａｎｓｆｏｒｍｅｒ；特征序列池化

中圖分類號(hào)：ＴＰ３９１． ４ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０５－１０９１－０８

０ 引言

ＮＩＳＴ 說話人識(shí)別評(píng)估挑戰(zhàn)［１］的結(jié)果顯示，在過去的數(shù)年里，語音生物識(shí)別技術(shù)已經(jīng)達(dá)到了令人印象深刻的性能。由該技術(shù)衍生出的自動(dòng)說話人驗(yàn)證（Ａｕｔｏｍａｔｉｃ Ｓｐｅａｋｅｒ Ｖｅｒｉｆｉｃａｔｉｏｎ，ＡＳＶ）系統(tǒng)得以被廣泛地應(yīng)用在安全系統(tǒng)、出入境管制、法醫(yī)實(shí)驗(yàn)室、網(wǎng)上銀行和其他電子商務(wù)系統(tǒng)等社會(huì)重要機(jī)構(gòu)。大量研究表明，盡管最先進(jìn)的ＡＳＶ 系統(tǒng)具有很高的性能，但在面對(duì)語音合成、語音轉(zhuǎn)換等欺騙攻擊時(shí)依然表現(xiàn)得十分脆弱［２］，因此設(shè)計(jì)有效的欺騙檢測(cè)方法保證ＡＳＶ 系統(tǒng)的安全性具有重要意義。

在語音信號(hào)的時(shí)頻表示中，不同的子區(qū)域之間存在某些固定的關(guān)系，例如基頻與諧波［３］，語音合成或者語音轉(zhuǎn)換技術(shù)通常無法充分對(duì)這些關(guān)系進(jìn)行建模［４］。因此有效提取局部時(shí)頻區(qū)域特征并建模它們之間的全局依賴關(guān)系能夠提高欺騙檢測(cè)的性能。卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）目前是反欺騙對(duì)抗最常用的模型。Ｗａｎｇ等［５］設(shè)計(jì)了一種密集連接的卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)音頻特征的傳播，并通過特征重用確保網(wǎng)絡(luò)中各層之間的最大信息流，大幅提升特征提取能力。Ｌｉ 等［６］在Ｒｅｓ２Ｎｅｔ 的基礎(chǔ)上提出了ＣＧＲｅｓ２Ｎｅｔ，通過在特征組之間的連接中加入門控機(jī)制，實(shí)現(xiàn)根據(jù)輸入動(dòng)態(tài)選擇信道，提升檢測(cè)效果。Ｆｕ 等［７］提出了一種基于快速傅里葉變換的ＣＮＮ 前端特征提取網(wǎng)絡(luò)ＦａｓｔＡｕｄｉｏ，用可學(xué)習(xí)層取代固定濾波器組實(shí)現(xiàn)特征提取，與固定前端相比，能夠更加靈活地適應(yīng)未知欺騙檢測(cè)。Ｔａｋ 等［８］使用ＲａｗＮｅｔ２ 直接從原始語音波形中學(xué)習(xí)幀級(jí)特征，實(shí)驗(yàn)結(jié)果表明了避免使用基于先驗(yàn)知識(shí)的手工前端特征的端到端架構(gòu)在欺騙檢測(cè)中的潛力。但是基于ＣＮＮ 的模型只適用于建模局部特征，對(duì)于全局依賴性通常需要依靠堆疊大量的卷積層實(shí)現(xiàn)，效率低下。為了解決該問題，Ｔａｋ 等［９］通過圖注意力網(wǎng)絡(luò)（Ｇｒａｐｈ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ，ＧＡＴ）跨越時(shí)頻點(diǎn)捕獲局部時(shí)頻區(qū)域之間的全局依賴關(guān)系，但是出于計(jì)算量的考慮，構(gòu)建圖結(jié)點(diǎn)的數(shù)量比較有限，這會(huì)導(dǎo)致信息的損失。

最近，基于Ｔｒａｎｓｆｏｒｍｅｒ［１０］的架構(gòu)在計(jì)算機(jī)視覺、自然語言處理等領(lǐng)域表現(xiàn)出優(yōu)秀的效果，其通過自注意機(jī)制高效的捕獲全局依賴性，這對(duì)語音欺騙檢測(cè)來說至關(guān)重要。受此啟發(fā)，本文提出了一種結(jié)合ＣＮＮ 和Ｔｒａｎｓｆｏｒｍｅｒ 的欺騙檢測(cè)模型，增強(qiáng)對(duì)局部時(shí)頻特征的提取能力以及高效建模特征之間的全局依賴關(guān)系，提升對(duì)未知欺騙攻擊檢測(cè)的性能。

１ Ｔｒａｎｓｆｏｒｍｅｒ 網(wǎng)絡(luò)模型

１． １ Ｔｒａｎｓｆｏｒｍｅｒ 概述

Ｔｒａｎｓｆｏｒｍｅｒ 架構(gòu)引入自注意力機(jī)制，通過計(jì)算每個(gè)特征序列與其他序列之間的關(guān)系對(duì)當(dāng)前序列進(jìn)行更新。自注意力機(jī)制的主要特點(diǎn)是高效并行化計(jì)算和快速構(gòu)建全局相關(guān)性的能力，這使其比遞歸神經(jīng)網(wǎng)絡(luò)或者ＣＮＮ 更適合學(xué)習(xí)長距離依賴關(guān)系。Ｔｒａｎｓｆｏｒｍｅｒ 后來被用于自然語言處理。最近，它的各種變體結(jié)構(gòu)被廣泛集成到計(jì)算機(jī)視覺和說話人識(shí)別領(lǐng)域中并取得了優(yōu)秀的性能。

Ｔｒａｎｓｆｏｒｍｅｒ 架構(gòu)由多個(gè)Ｔｒａｎｓｆｏｒｍｅｒ 塊堆疊組成，每個(gè)Ｔｒａｎｓｆｏｒｍｅｒ 塊包括多頭自注意力層和前饋層Ｆ（·）。其中多頭自注意力層由多個(gè)自注意力頭Ａｔｔ（·）組成，它是Ｔｒａｎｓｆｏｒｍｅｒ 學(xué)習(xí)全局依賴信息的關(guān)鍵。給定輸入序列集合ｈ ＝ ［ｈ１ ，ｈ２ ，ｈ３ ，…，ｈｔ］∈ Rｔ×ｄ，其中ｔ 和ｄ 分別代表序列的數(shù)量和維數(shù)，每一個(gè)自注意力頭可以被看做是對(duì)值矩陣Ｖ 的加權(quán)和，權(quán)重由鍵矩陣Ｋ 和查詢矩陣Ｑ 之間的相似性得出，計(jì)算如下：

式中：矩陣Ｑ、Ｋ、Ｖ 由序列集合ｈ 與權(quán)重矩陣Ｗ 相乘得到。

多頭注意力機(jī)制將多個(gè)自注意力的輸出進(jìn)行拼接后傳入一個(gè)線性層計(jì)算全局相關(guān)性。

２ 本文模型結(jié)構(gòu)

為了高效捕捉語音信號(hào)局部時(shí)頻表示之間的相關(guān)性，提升欺騙語音檢測(cè)的性能，本文設(shè)計(jì)了一種基于結(jié)合ＣＮＮ 和Ｔｒａｎｓｆｏｒｍｅｒ 的欺騙語音檢測(cè)網(wǎng)絡(luò)，基本結(jié)構(gòu)如圖１ 所示。主要由位置感知序列映射、幀級(jí)特征提取以及話語級(jí)特征聚合組成。

對(duì)于一段語音信號(hào)樣本，首先將其轉(zhuǎn)換為時(shí)頻表示特征ＦＢａｎｋ，將ＦＢａｎｋ 通過卷積神經(jīng)網(wǎng)絡(luò)映射為Ｃ 維特征序列集合Ｘ∈RＴ×Ｆ×Ｃ 并添加位置編碼信息，其中，Ｔ、Ｆ 為ＦＢａｎｋ 時(shí)間和頻率方向的局部時(shí)頻表示數(shù)量。隨后，進(jìn)行拉伸變換，構(gòu)建位置感知特征序列集合ＸＰ ∈RＣ×Ｄ ，其中Ｄ ＝ Ｔ×Ｆ。然后基于改進(jìn)的Ｔｒａｎｓｆｏｒｍｅｒ 編碼器提取幀級(jí)特征，從多個(gè)尺度高效建模各個(gè)特征序列之間的相關(guān)性，最后引入特征序列池化聚合話語級(jí)特征用于分類預(yù)測(cè)。

２． １ 位置感知序列映射

本文采用ＳＥ-ＲｅｓＮｅｔ１８ 的前３ 層從ＦＢａｎｋ 中提取局部特征，構(gòu)建特征序列集合。原ＳＥ-ＲｅｓＮｅｔ１８在每個(gè)卷積塊之間添加Ｓｑｕｅｅｚｅ Ｅｘｃｉｔａｔｉｏｎ（ＳＥ）模塊用于學(xué)習(xí)通道之間的相關(guān)性，是一種面向通道的注意力機(jī)制。但是ＳＥ 模塊忽略了空間關(guān)系，對(duì)于欺騙語音檢測(cè)而言，難以區(qū)分各個(gè)局部時(shí)頻表示的重要性。因此本文通過在每個(gè)ＳＥ-ＲｅｓＮｅｔ１８ 塊之間嵌入坐標(biāo)注意力（Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎ，ＣＡ）機(jī)制［１１］對(duì)ＳＥ-ＲｅｓＮｅｔ１８ 進(jìn)行改進(jìn)。此外，特征序列集合的拉伸變換操作會(huì)丟失每個(gè)時(shí)頻子區(qū)域之間的相對(duì)位置關(guān)系，故本文引入二維交替正余弦編碼［１２］對(duì)相對(duì)位置信息進(jìn)行保留。

２． １． １ ＣＡ 嵌入

ＣＡ 機(jī)制通過將時(shí)間方向和頻率方向的空間信息編碼到通道中，使模型能夠關(guān)注重要時(shí)頻區(qū)域，忽略無效時(shí)頻區(qū)域，具體結(jié)構(gòu)如圖２ 所示。首先，對(duì)于給定的輸入特征Ｈ∈RＣ×Ｔ×Ｆ ，使用平均池化沿時(shí)間和頻率方向聚合一對(duì)一維空間感知向量ｓｔ ∈RＣ×１×Ｆ 、ｓｆ∈RＣ×Ｔ×１ ，將２ 個(gè)空間感知向量拼接后經(jīng)由１×１ 卷積進(jìn)行通道交互和壓縮，然后通過批歸一化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）層與非線性變換層（Ｎｏｎ-ｌｉｎｅａｒ）生成空間編碼信息ｓｐ ∈RＣｒ×１×（Ｆ＋Ｔ），ｒ 表示壓縮系數(shù)，最后使用２ 個(gè)１×１ 的卷積以及Ｓｉｇｍｏｉｄ 激活函數(shù)分別產(chǎn)生時(shí)間方向和頻率方向的權(quán)重信息對(duì)原始特征進(jìn)行加權(quán)。

２． １． ２ 二維交替正余弦編碼

Ｔｒａｎｓｆｏｒｍｅｒ 中通常使用一維位置編碼處理自然語言序列中可能出現(xiàn)的由于位置變換導(dǎo)致位置信息丟失的問題，但是這并不適用于由ＣＮＮ 輸出的三維特征序列集合，因此本文引入文獻(xiàn)［１２］中的二維交替正余弦編碼保留特征序列之間的相對(duì)位置信息。對(duì)于特征序列集合Ｘ ＝ ［ｘ１ ，ｘ２ ，ｘ３ ，…，ｘｉ ］∈ Ｔ×Ｆ×Ｃ ，具體編碼信息如下：

２． ２ 多尺度自注意機(jī)制

Ｔｒａｎｓｆｏｒｍｅｒ 中的自注意機(jī)制優(yōu)勢(shì)在于其高效的并行化能力和全局依賴建模，但卻難以捕捉特征序列局部之間的依賴，這也導(dǎo)致基于Ｔｒａｎｓｆｏｒｍｅｒ 的架構(gòu)通常難以應(yīng)用到語音領(lǐng)域。為了提升Ｔｒａｎｓｆｏｒｍｅｒ?qū)Φ奶卣餍蛄芯植块L期依賴的建模能力，本文提出了一種多尺度自注意力（Ｍｕｌｔｉｓｃａｌｅ Ｓｅｌｆ-Ａｔｔｅｎｔｉｏｎ，ＭＳＡ）機(jī)制對(duì)原自注意力進(jìn)行改進(jìn)。該機(jī)制利用不同的自注意力頭關(guān)注不同長度的局部序列以獲取多尺度長期依賴信息，提高局部建模能力，結(jié)構(gòu)如圖３所示。

首先將特征集合ｘ∈RＤ×Ｃ 按序列長度均分得到ｎ 個(gè)局部序列特征集合ｘｉ∈RＤ×（Ｃ/ｎ），其中ｉ 表示第ｉ 個(gè)局部序列特征集合，Ｃ 表示單個(gè)特征序列長度，Ｄ 表示集合中的特征數(shù)量。均分操作之后，每個(gè)局部序列特征集合ｘｉ 都會(huì)通過與之相對(duì)應(yīng)的自注意力頭Ａｔｔｉ 和激活函數(shù)為ＬｅａｋｙＲｅＬＵ 線性層Ｌｉ，其中線性層的作用是保證ｘｉ 和ｙｉ 的維度一致。輸出ｙｉ 表示如下：

如圖３ 所示，Ａｔｔｉ 的輸入特征不僅包括當(dāng)前的局部序列特征集合ｘｉ，同時(shí)還包括前一項(xiàng)輸出局部序列特征集合ｙｉ。因此，當(dāng)前輸入局部特征子集包含更長的序列特征以及多種感受野的大小組合。更長的序列特征包含更多的語音信息以及進(jìn)行更好的上下文分析，多種感受野的大小組合則可以豐富局部子序列長期依賴關(guān)系，實(shí)現(xiàn)更精準(zhǔn)、有效的特征提取。如式（９）所示，將所有的ｙｉ 進(jìn)行拼接后輸入線性層ＬＧ 和自注意力頭ＡｔｔＧ 進(jìn)行全局級(jí)多尺度依賴信息整合，輸出特征Ｙ∈RＣＧ×Ｄ 。

２． ３ 特征序列池化

池化操作也稱為讀出操作，主要作用是將連續(xù)的高維幀級(jí)序列特征聚合為可用于分類的話語級(jí)特征。本文引入特征序列池化（Ｓｅｑｕｅｎｃｅ Ｐｏｏｌｉｎｇ，ＳｅｑＰｏｏｌ）［１３］聚合幀級(jí)特征，不同于常用的平均池化、最大池化以及總和池化等靜態(tài)池化方法，特征ＳｅｑＰｏｏｌ 是一種基于注意力機(jī)制的映射變換，其通過保留不同幀級(jí)序列之間的相關(guān)信息提高性能并且不會(huì)帶來額外的參數(shù)。

該方法一共包括３ 個(gè)步驟。對(duì)于一個(gè)Ｌ 層的Ｔｒａｎｓｆｏｒｍｅｒ 編碼器輸出ｙＬ ∈RＤ×Ｃ，特征ＳｅｑＰｏｏｌ 方法首先利用一個(gè)線性層對(duì)ｙＬ 進(jìn)行降維以及信息整合，隨后，對(duì)ｇ（ｙＬ ）∈RＤ×１ 應(yīng)用Ｓｏｆｔｍａｘ 激活函數(shù)為每一個(gè)輸入幀級(jí)序列產(chǎn)生一個(gè)重要性權(quán)重，計(jì)算如下：

ｗＬ ＝ Ｓｏｆｔｍａｘ（ｇ（ｙＬ） Ｔ ）∈ R１ ×Ｄ ， （１０）

式中：ｇ（ｙＬ）代表線性層映射。將重要性權(quán)重ｗＬ 與ｙＬ 相乘生成話語級(jí)特征ｚ，計(jì)算如下：

ｚ ＝ Ｓｏｆｔｍａｘ（ｇ（ｙＬ） Ｔ ）× ｙＬ ∈ R１ ×Ｃ 。（１１）

將ｚ 進(jìn)行降維后生成ｚ′∈R３． １ 實(shí)驗(yàn)環(huán)境與參數(shù)細(xì)節(jié)Ｃ 輸入到全連接層中進(jìn)行分類。對(duì)于欺騙檢測(cè)任務(wù)，全連接層的最后一層是一個(gè)包含２ 個(gè)神經(jīng)元的線性層，每一個(gè)神經(jīng)元的輸出分別代表欺騙類別和真實(shí)類別的置信度得分。

３ 實(shí)驗(yàn)與結(jié)果分析

３． １ 實(shí)驗(yàn)環(huán)境與參數(shù)細(xì)節(jié)

本文采用ＦＢａｎｋ 作為前端時(shí)頻表示特征。以２０ ｍｓ 幀長、１０ ｍｓ 幀移、漢寧窗以及５１２ 個(gè)傅里葉變換變換點(diǎn)提取對(duì)數(shù)功率譜。所有對(duì)數(shù)功率譜調(diào)整為固定長度４００ 幀，對(duì)于時(shí)長不足的語音樣本，本實(shí)驗(yàn)沿時(shí)間軸對(duì)特征進(jìn)行復(fù)制。對(duì)于長語音，本實(shí)驗(yàn)隨機(jī)選擇４００ 幀連續(xù)幀。然后應(yīng)用６０ 個(gè)線性濾波器提?。叮?維ＦＢａｎｋ。

本實(shí)驗(yàn)基于Ｕｂｕｎｔｕ ２０． ０４ 操作系統(tǒng)，采用Ｐｙ-Ｔｏｒｃｈ 框架實(shí)現(xiàn)，顯卡為ＮＶＤＩＡ ＧＴＸ １０８０Ｔｉ。設(shè)置β１ ＝ ０． ９，β２ ＝ ０． ９９９，初始學(xué)習(xí)率為５ ×１０－５ 的Ａｄａｍ優(yōu)化器，學(xué)習(xí)速率衰減采用余弦退火方法?？偣灿?xùn)練１００ 個(gè)輪次，取其中最好的實(shí)驗(yàn)結(jié)果作為最終結(jié)果。

３． ２ 數(shù)據(jù)集

實(shí)驗(yàn)采用ＡＳＶｓｐｏｏｆ２０１９ 大賽的邏輯訪問（Ｌｏｇｉｃａｌ Ａｃｃｅｓｓ，ＬＡ）數(shù)據(jù)集驗(yàn)證本文模型以及其他不同模型的檢測(cè)效果。該數(shù)據(jù)集基于ＶＣＴＫ 語料庫的１０７ 位說話人語音樣本，由１７ 種不同的語音合成以及語音轉(zhuǎn)換算法產(chǎn)生后通過１６ 比特量化下采樣到１６ ｋＨｚ 得到。數(shù)據(jù)集包含訓(xùn)練集、開發(fā)集以及評(píng)估集３ 個(gè)子集且彼此之間沒有交集。此外，開發(fā)集中的欺騙語音采用訓(xùn)練集中相同的欺騙語音算法（Ａ０１ ～ Ａ０６）產(chǎn)生，用于驗(yàn)證算法對(duì)可見欺騙語音的檢測(cè)效果。評(píng)估集中使用了１３ 種欺騙語音產(chǎn)生算法（Ａ０７ ～ Ａ１９），其中的Ａ０６、Ａ０４ 與訓(xùn)練集中的Ａ１９、Ａ１６ 是同一種欺騙算法，另外的１１ 種算法相對(duì)于訓(xùn)練集是未知的，用于驗(yàn)證算法對(duì)未知欺騙語音的檢測(cè)效果。數(shù)據(jù)集詳細(xì)設(shè)置如表１ 所示。

３． ３ 評(píng)估指標(biāo)

本文采用等錯(cuò)誤率［２］（Ｅｑｕａｌ Ｅｒｒｏｒ Ｒａｔｅ，ＥＥＲ）作為次要檢測(cè)指標(biāo)，采用ＡＳＶｓｐｏｏｆ２０１９ 大賽中所提出的最小串聯(lián)檢測(cè)代價(jià)函數(shù)［１４］（ｍｉｎ ｔａｎｄｅｍ-Ｄｅｔｅｃｔｉｏｎ Ｃｏｓｔ Ｆｕｎｃｔｉｏｎ，ｍｉｎ ｔ-ＤＣＦ）作為主要檢測(cè)指標(biāo)，二者的值均越低代表系統(tǒng)的檢測(cè)準(zhǔn)確度越高。

（１）ＥＥＲ

如式（１４）所示，ＥＥＲ 被定義為在閾值為τ 的情況下，錯(cuò)誤接受率ＰＦＡＲ（τ）和錯(cuò)誤拒絕率ＰＦＲＲ（τ）相等時(shí)的值。錯(cuò)誤接受率和錯(cuò)誤拒絕率由式（１２）、式（１３）所示，其中Ｎｆａ（τ）、Ｎｍｉｓｓ（τ）分別表示欺騙語音樣本被錯(cuò)誤接受的數(shù)量以及真實(shí)語音樣本被錯(cuò)誤拒絕的數(shù)量，Ｎｓｐｏｏｆ、Ｎｂｏｎａｆｉｄｅ 分別表示欺騙語音樣本的數(shù)量以及真實(shí)語音樣本的數(shù)量。ＥＥＲ 是一種獨(dú)立評(píng)判欺騙語音檢測(cè)系統(tǒng)的有效指標(biāo)，通過比較ＥＥＲ可以直觀地看出欺騙語音檢測(cè)系統(tǒng)的性能。

（２）最小串聯(lián)檢測(cè)代價(jià)函數(shù)

實(shí)際場(chǎng)景中，ＡＳＶ 系統(tǒng)通常與反欺騙（ＣＭ）系統(tǒng)串聯(lián)應(yīng)用，如果只將ＣＭ 系統(tǒng)的等錯(cuò)誤作為評(píng)價(jià)指標(biāo)，無法全面反映ＣＭ 系統(tǒng)和ＡＳＶ 系統(tǒng)對(duì)檢測(cè)結(jié)果的影響。因此，ＡＳＶｓｐｏｏｆ２０１９ 大賽采用最小串聯(lián)檢測(cè)代價(jià)函數(shù)作為主要的評(píng)價(jià)指標(biāo)。如式（１５）所示，其綜合考慮ＣＭ 系統(tǒng)和ＡＳＶ 系統(tǒng)的決策，在評(píng)價(jià)系統(tǒng)性能時(shí)更加合理：

式中：ＰＣＭＦＲＲ（τ）和ＰＣＭＦＡＲ（τ）分別表示在閾值為τ 的情況下，ＣＭ 系統(tǒng)的錯(cuò)誤拒絕率和錯(cuò)誤接收率；系數(shù)Ｃ０ 、Ｃ１ 、Ｃ２ 由ＡＳＶ 系統(tǒng)和ＣＭ 系統(tǒng)的２ 種錯(cuò)誤率以及先驗(yàn)概率所決定，ｔ-ＤＣＦｄｅｆａｕｌｔ 定義為ＣＭ 系統(tǒng)接受或拒絕每條測(cè)試語音樣本無信息的默認(rèn)成本。

ｔ-ＤＣＦｄｅｆａｕｌｔ ＝ Ｃ０ ＋ ｍｉｎ｛Ｃ１ ，Ｃ２ ｝。（１６）

３． ４ 消融實(shí)驗(yàn)

為了驗(yàn)證本文模型中每個(gè)組件的有效性，通過移除或者替換對(duì)應(yīng)組件在評(píng)估集上進(jìn)行了多組消融實(shí)驗(yàn)，結(jié)果如表２ 所示。

由表２ 可知，實(shí)驗(yàn)２ 通過添加位置嵌入信息（Ｐｏｓｉｔｉｏｎ Ｅｍｂｅｄｄｉｎｇ，ＰＥ）保留時(shí)頻子區(qū)域之間的相對(duì)位置關(guān)系能夠在一定程度上提升模型性能。實(shí)驗(yàn)３ 在ＳＥ-ＲｅｓＮｅｔ１８ 層之間添加ＣＡ 模塊區(qū)分局部時(shí)頻子區(qū)域之間的重要性，ＥＥＲ 與ｍｉｎ ｔ-ＤＣＦ 分別降低３． ７％ 、１． ３％ 。在實(shí)驗(yàn)３ 的基礎(chǔ)上將自注意力機(jī)制替換成ＭＳＡ 機(jī)制，ＥＥＲ 降低５． ０％ ，ｍｉｎ ｔＤＣＦ 降低３． ７３％ ，這表明豐富尺度信息能有效提升對(duì)欺騙偽影的檢測(cè)。實(shí)驗(yàn)５ 進(jìn)一步將全局平均池化（Ｇｌｏｂａｌ Ａｖｅｒａｇｅ Ｐｏｏｌｉｎｇ，ＧＡＰ）替換為ＳｅｑＰｏｏｌ，ＥＥＲ和ｍｉｎ ｔ-ＤＣＦ 達(dá)到１． ５８ 和０． ０４８ １，對(duì)比實(shí)驗(yàn)４ 分別降低４． ７３％ 、２． ０３％ ，因?yàn)椋樱澹瘢校铮铮?相對(duì)于靜態(tài)池化方法，能夠有效保留Ｔｒａｎｓｆｏｒｍｅｒ 編碼器輸出幀級(jí)特征之間的相關(guān)信息，從而提升模型檢測(cè)精度。

圖４ 是分別提?。?０００ 條真實(shí)語音和各類欺騙語音的話語級(jí)特征進(jìn)行降維后形成的可視化消融實(shí)驗(yàn)對(duì)比圖，其中紫色代表真實(shí)語音，黃色代表欺騙語音，圖４ （ａ）～ 圖４ （ｄ）分別對(duì)應(yīng)消融實(shí)驗(yàn)２ ～ ５。圖４（ａ）為添加ＰＥ 信息后的可視化效果圖，可以看出真實(shí)語音和欺騙語音類間碰撞情況較多，且對(duì)于真實(shí)語音的類內(nèi)聚合度差。圖４（ｂ）為在圖４（ａ）的基礎(chǔ)上嵌入ＣＡ 機(jī)制的可視化效果圖，相比于圖４（ａ），圖４ （ｂ）的類間碰撞情況有所降低，且真實(shí)語音類間聚合度有明顯提升，這表明ＣＡ 提升了模型的特征提取能力，話語級(jí)特征具備更強(qiáng)的甄別性。圖４（ｃ）為將自注意力機(jī)制替換為ＭＳＡ 機(jī)制的可視化效果圖，可以看出類間碰撞降低，對(duì)于大部分真實(shí)語音，類間聚合度明顯提高，但是依然存在少部分真實(shí)樣本聚合度比較差。圖４（ｄ）為進(jìn)一步替換ＧＡＰ 為ＳｅｑＰｏｏｌ 的可視化效果圖，相比于圖４（ｃ），在沒有增加類間碰撞的情況下，提升了真實(shí)語音之間的相似性，這表明ＳｅｑＰｏｏｌ 并不會(huì)影響主干網(wǎng)絡(luò)的特征提取能力，且能保留主干網(wǎng)絡(luò)輸出特征序列之間的相關(guān)性信息以提升區(qū)分度。

３． ５ 未知攻擊檢測(cè)性能對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文模型對(duì)未知攻擊檢測(cè)的性能，在評(píng)估集中使用６ 種模型與本文模型進(jìn)行對(duì)比，包括ＯＣ-Ｓｏｆｔｍａｘ［１５］、ＬＣＮＮ-ＬＳＴＭ-ｓｕｍ［１６］、Ａｔｔｅｎｔｉｏｎ ＋ ＲｅｓＮｅｔ［１７］、ＭＣＧ-Ｒｅｓ２Ｎｅｔ５０［６］、Ｒａｗ ＰＣ-ＤＡＲＴＳ［１８］和Ｒｅｓ-ＴＳＳＤ-Ｎｅｔ［１９］。上述６ 種模型均是單一系統(tǒng)，并沒有經(jīng)過任何分?jǐn)?shù)融合策略。對(duì)比實(shí)驗(yàn)分別比較７ 種模型的ＥＥＲ 和ｍｉｎ ｔ-ＤＣＦ，結(jié)果如表３ 所示。本研究在ＥＥＲ 指標(biāo)上達(dá)到最優(yōu)性能，相較于最優(yōu)模型Ｒｅｓ-ＴＳＳＤＮｅｔ，ｍｉｎ ｔ-ＤＣＦ 相同，但是ＥＥＲ 降低了１． ８３％ 。

為了進(jìn)一步對(duì)比Ｒａｗ ＰＣ-ＤＡＲＴＳ、Ｒｅｓ-ＴＳＳＤＮｅｔ與本文模型對(duì)不同攻擊類型的檢測(cè)性能，在評(píng)估集上對(duì)Ａ０７ ～ Ａ１９ 共１３ 種未知欺騙攻擊分別進(jìn)行實(shí)驗(yàn)并比較ｍｉｎ ｔ-ＤＣＦ 指標(biāo)，結(jié)果如圖５ 所示。

從圖５ 可以看出對(duì)于大部分的欺騙類型，３ 種模型的檢測(cè)性能表現(xiàn)差距不大。針對(duì)Ａ０７ ～ Ａ１６ 共１０ 種攻擊類型，本文模型的整體精度表現(xiàn)得更加穩(wěn)定，對(duì)于Ａ０８ 和Ａ１２ 類型，Ｒａｗ ＰＣ-ＤＡＲＴＳ 無法有效檢測(cè)，Ｒｅｓ-ＴＳＳＤＮｅｔ 的檢測(cè)性能波動(dòng)最明顯，相對(duì)于其余攻擊類型，其對(duì)于Ａ０７、Ａ１０ 以及Ａ１５ 的檢測(cè)精度存在明顯下降，這表明本文模型的泛化性能更好，能夠適應(yīng)更多種的未知欺騙類型。但是在面對(duì)公認(rèn)難度最高的Ａ１７ 攻擊類型時(shí)，３ 種模型的ｍｉｎ ｔ-ＤＣＦ均有大幅度上升，其中本文模型的表現(xiàn)最差，主要原因在于Ａ１７ 是一種基于原始波濾波的轉(zhuǎn)換攻擊算法，因此采用Ａ１７ 算法生成的偽裝語音在原始波中會(huì)包含更多的欺騙偽影。而Ｒａｗ ＰＣ-ＤＡＲＴＳ 和Ｒｅｓ-ＴＳＳＤＮｅｔ 均采用未經(jīng)手工處理的原始波形作為輸入特征，相對(duì)于本文采用的前端特征Ｌｉｎｅａｒ ＦＢａｎｋ 保留了更多的有效信息。但是以原始波形作為輸入特征同時(shí)會(huì)引入大量冗余信息，提升了模型對(duì)特征的提取難度，導(dǎo)致模型無法在多種不同的攻擊類型上表現(xiàn)出平穩(wěn)的性能。

本文模型的話語級(jí)特征在評(píng)估集上針對(duì)各類攻擊類型的可視化結(jié)果如圖６ 所示，紅色圓點(diǎn)為真實(shí)語音，其余顏色圓點(diǎn)為多種欺騙語音。從圖６ 中可以看出真實(shí)語音類內(nèi)聚合度高，同時(shí)與各類欺騙語音之間間距明顯，少量類間碰撞主要集中于Ａ１７ 上，這表明本文模型能夠有效區(qū)分真實(shí)語音和欺騙語音。

４ 結(jié)束語

本文提出了一種結(jié)合ＣＮＮ 與Ｔｒａｎｓｆｏｒｍｅｒ 的欺騙語音檢測(cè)模型，旨在通過高效捕捉語音信息局部時(shí)頻表示之間的全局相關(guān)性來提高來解決現(xiàn)有方法難以適應(yīng)多種欺騙類型、對(duì)未知欺騙攻擊檢測(cè)能力不足的問題。設(shè)計(jì)基于ＣＡ 注意力嵌入的ＳＥ-Ｒｅｓ-Ｎｅｔ１８ 的位置感知特征序列提取網(wǎng)絡(luò)，將語音信號(hào)局部時(shí)頻表示映射為高維特征序列，采用二維位置編碼保留特征序列之間的相對(duì)位置信息，并在原ＳＥ-ＲｅｓＮｅｔ１８ 的基礎(chǔ)上嵌入ＣＡ 注意力區(qū)分特征序列之間的重要性，提升特征提取能力；提出ＭＳＡ 機(jī)制替換Ｔｒａｎｓｆｏｒｍｅｒ 層中的單一自注意力，解決Ｔｒａｎｓｆｏｒｍｅｒ 難以捕捉局部依賴的問題；引入ＳｅｑＰｏｏｌ提取話語級(jí)特征，保留Ｔｒａｎｓｆｏｒｍｅｒ 層輸出幀級(jí)特征序列之間的相關(guān)性信息，優(yōu)化檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明，在ＡＳＶｓｐｏｏｆ２０１９ 大賽數(shù)據(jù)集的ＬＡ 場(chǎng)景中，相較于當(dāng)前先進(jìn)模型，本文模型適應(yīng)性更強(qiáng)且ｍｉｎ ｔ-ＤＣＦ 與ＥＥＲ 平均降低７． ８１％ 和１２． ８３％ ，整體檢測(cè)精度上具備明顯優(yōu)勢(shì)。在未來的工作中，將使用多特征融合的方式，豐富前端特征表達(dá)，從而提升對(duì)未知攻擊檢測(cè)的精度和模型的泛化性。

參考文獻(xiàn)

［１］ ＳＡＤＪＡＤＩ Ｓ Ｏ，ＧＲＥＥＮＢＥＲＧ Ｃ，ＳＩＮＧＥＲ Ｅ，ｅｔ ａｌ． Ｔｈｅ２０２１ ＮＩＳＴ Ｓｐｅａｋｅｒ Ｒｅｃｏｇｎｉｔｉｏｎ Ｅｖａｌｕａｔｉｏｎ ［ＥＢ ／ ＯＬ ］．（２０２２－０４－２１）［２０２３－０５－１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／２２０４． １０２４２．

［２］ ＮＡＵＴＳＣＨ Ａ，ＷＡＮＧ Ｘ，ＥＶＡＮＳ Ｎ，ｅｔ ａｌ． ＡＳＶｓｐｏｏｆ２０１９：Ｓｐｏｏｆｉｎｇ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ ｆｏｒ ｔｈｅ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｙｎｔｈｅｓｉｚｅｄ，Ｃｏｎｖｅｒｔｅｄ ａｎｄ Ｒｅｐｌａｙｅｄ Ｓｐｅｅｃｈ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｔｒｉｃｓ， Ｂｅｈａｖｉｏｒ， ａｎｄ ＩｄｅｎｔｉｔｙＳｃｉｅｎｃｅ，２０２１，３（２）：２５２－２６５．

［３］ ＨＵＡＮＧ Ｐ Ｙ，ＸＵ Ｈ，ＬＩ Ｊ Ｃ，ｅｔ ａｌ． Ｍａｓｋｅｄ Ａｕｔｏｅｎｃｏｄｅｒｓｔｈａｔ Ｌｉｓｔｅｎ［Ｃ］∥ ＮｅｕｒＩＰＳ ２０２２． Ｎｅｗ Ｏｒｌｅａｎｓ：［ｓ． ｎ． ］，２０２２：２８７０８－２８７２０．

［４］ ＨＵＡＮＧ Ｒ Ｊ，ＣＵＩ Ｃ Ｙ，ＣＨＥＮ Ｆ Ｙ，ｅｔ ａｌ． ＳｉｎｇＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｈｉｇｈｆｉｄｅｌｉｔｙ ＳＩｎｇｉｎｇＶｏｉｃｅ Ｇｅｎｅｒａｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３０ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｕｌｔｉｍｅｄｉａ． Ｌｉｓｂｏａ：ＡＣＭ，２０２２：２５２５－２５３５．

［５］ ＷＡＮＧ Ｚ，ＣＵＩ Ｓ Ｓ，ＫＡＮＧ Ｘ Ｇ，ｅｔ ａｌ． Ｄｅｎｓｅｌｙ ＣｏｎｎｅｃｔｅｄＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ａｕｄｉｏ Ｓｐｏｏｆｉｎｇ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥２０２０ ＡｓｉａＰａｃｉｆｉｃ Ｓｉｇｎａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ Ａｎｎｕａｌ Ｓｕｍｍｉｔ ａｎｄ Ｃｏｎｆｅｒｅｎｃｅ （ＡＰＳＩＰＡＡＳＣ）． Ａｕｃｋｌａｎｄ：ＩＥＥＥ，２０２０：１３５２－１３６０．

［６］ ＬＩ Ｘ，ＷＵ Ｘ Ｘ，ＬＵ Ｈ，ｅｔ ａｌ． Ｃｈａｎｎｅｌｗｉｓｅ ＧａｔｅｄＲｅｓ２Ｎｅｔ：Ｔｏｗａｒｄｓ Ｒｏｂｕｓｔ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｓｙｎｔｈｅｔｉｃ ＳｐｅｅｃｈＡｔｔａｃｋｓ ［ＥＢ ／ ＯＬ］． （２０２１ － ０７ － １９ ）［２０２３ － ０５ － １６ ］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０７． ０８８０３．

［７］ ＦＵ Ｑ Ｃ，ＴＥＮＧ Ｚ Ｗ，ＷＨＩＴＥ Ｊ，ｅｔ ａｌ． ＦａｓｔＡｕｄｉｏ：Ａ Ｌｅａｒｎａｂｌｅ Ａｕｄｉｏ ＦｒｏｎｔＥｎｄ ｆｏｒ Ｓｐｏｏｆ Ｓｐｅｅｃｈ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥ＩＣＡＳＳＰ ２０２２ － ２０２２ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＡｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｓｉｎｇａｐｏｒｅ：ＩＥＥＥ，２０２２：３６９３－３６９７．

［８］ ＴＡＫ Ｈ，ＰＡＴＩＮＯ Ｊ，ＴＯＤＩＳＣＯ Ｍ，ｅｔ ａｌ． ＥｎｄｔｏＥｎｄ Ａｎｔｉｓｐｏｏｆｉｎｇ ｗｉｔｈ ＲａｗＮｅｔ２ ［Ｃ］∥ ＩＣＡＳＳＰ ２０２１ － ２０２１ ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｔｏｒｏｎｔｏ：ＩＥＥＥ，２０２１：６３６９－６３７３．

［９］ ＴＡＫ Ｈ，ＪＵＮＧ Ｊ，ＰＡＴＩＮＯ Ｊ，ｅｔ ａｌ． Ｇｒａｐｈ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ａｎｔｉｓｐｏｏｆｉｎｇ ［ＥＢ ／ ＯＬ ］． （２０２１ － ０４ － ０８ ）［２０２３－０５－１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０４． ０３６５４．

［１０］ ＶＡＳＷＡＮＩ Ａ，ＳＨＡＺＥＥＲ Ｎ，ＰＡＲＭＡＲ Ｎ，ｅｔ ａｌ． ＡｔｔｅｎｔｉｏｎＩｓ Ａｌｌ Ｙｏｕ Ｎｅｅｄ ［Ｃ］∥ ＮＩＰＳ ２０１７． Ｌｏｎｇ Ｂｅａｃｈ：ＣｕｒｒａｎＡｓｓｏｃｉａｔｉｏｒ Ｉｎｃ． ，２０１７：６０００－６０１０．

［１１］ ＨＯＵ Ｑ Ｂ，ＺＨＯＵ Ｄ Ｑ，ＦＥＮＧ Ｊ Ｓ． Ｃｏｏｒｄｉｎａｔｅ Ａｔｔｅｎｔｉｏｎｆｏｒ Ｅｆｆｉｃｉｅｎｔ Ｍｏｂｉｌｅ Ｎｅｔｗｏｒｋ Ｄｅｓｉｇｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｎａｓｈｖｉｌｌｅ：ＩＥＥＥ，２０２１：１３７１３－１３７２２．

［１２］ ＲＡＩＳＩ Ｚ，ＮＡＩＥＬ Ｍ Ａ，ＦＩＥＧＵＴＨ Ｐ，ｅｔ ａｌ． ２Ｄ ＰｏｓｉｔｉｏｎａｌＥｍｂｅｄｄｉｎｇｂａｓｅｄ Ｔｒａｎｓｆｏｒｍｅｒ ｆｏｒ Ｓｃｅｎｅ Ｔｅｘｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｖｉｓｉｏｎ ａｎｄ ＩｍａｇｉｎｇＳｙｓｔｅｍｓ，２０２０，６（１）：１－４．

［１３］ ＨＡＳＳＡＮＩ Ａ，ＷＡＬＴＯＮ Ｓ，ＳＨＡＨ Ｎ，ｅｔ ａｌ． Ｅｓｃａｐｉｎｇ ｔｈｅＢｉｇ Ｄａｔａ Ｐａｒａｄｉｇｍ ｗｉｔｈ Ｃｏｍｐａｃｔ Ｔｒａｎｓｆｏｒｍｅｒｓ［ＥＢ ／ ＯＬ］．（２０２２－０６－０７）［２０２３－０５－１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／２１０４． ０５７０４ｖ４．

［１４］ ＫＩＮＮＵＮＥＮ Ｔ，ＬＥＥ Ｋ Ａ，ＤＥＬＧＡＤＯ Ｈ，ｅｔ ａｌ． ｔＤＣＦ：ＡＤｅｔｅｃｔｉｏｎ Ｃｏｓｔ Ｆｕｎｃｔｉｏｎ ｆｏｒ ｔｈｅ Ｔａｎｄｅｍ Ａｓｓｅｓｓｍｅｎｔ ｏｆＳｐｏｏｆｉｎｇ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ ａｎｄ Ａｕｔｏｍａｔｉｃ Ｓｐｅａｋｅｒ Ｖｅｒｉｆｉｃａｔｉｏｎ［ＥＢ ／ ＯＬ］． （２０１９ －０４ －１２）［２０２３ －０５ －１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １８０４． ０９６１８ｖ２．

［１５］ ＺＨＡＮＧ Ｙ，ＪＩＡＮＧ Ｆ，ＤＵＡＮ Ｚ Ｙ． Ｏｎｅｃｌａｓｓ Ｌｅａｒｎｉｎｇ Ｔｏｗａｒｄｓ Ｓｙｎｔｈｅｔｉｃ Ｖｏｉｃｅ Ｓｐｏｏｆｉｎｇ Ｄｅｔｅｃｔｉｏｎ ［Ｊ ］． ＩＥＥＥＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，２８：９３７－９４１．

［１６］ ＷＡＮＧ Ｘ，ＹＡＭＡＧＩＳＨＩ Ｊ． Ａ Ｃｏｍｐａｒａｔｉｖｅ Ｓｔｕｄｙ ｏｎＲｅｃｅｎｔ Ｎｅｕｒａｌ Ｓｐｏｏｆｉｎｇ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ ｆｏｒ ＳｙｎｔｈｅｔｉｃＳｐｅｅｃｈ Ｄｅｔｅｃｔｉｏｎ［ＥＢ ／ ＯＬ］． （２０２１－０３ －２１）［２０２３ －０５ －１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０３． １１３２６ｖ２．

［１７］ ＬＩＮＧ Ｈ Ｆ，ＨＵＡＮＧ Ｌ Ｃ，ＨＵＡＮＧ Ｊ Ｒ，ｅｔ ａｌ． Ａｔｔｅｎｔｉｏｎｂａｓｅｄ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ ＡＳＶ Ｓｐｏｏｆｉｎｇ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥ Ｉｎｔｅｒｓｐｅｅｃｈ ２０２１． Ｂｒｎｏ：［ｓ． ｎ． ］，２０２１：４２８９－４２９３．

［１８］ ＧＥ Ｗ Ｙ，ＰＡＴＩＮＯ Ｊ，ＴＯＤＩＳＣＯ Ｍ，ｅｔ ａｌ． ＲａｗＤｉｆｆｅｒｅｎｔｉａｂｌｅ Ａｒｃｈｉｔｅｃｔｕｒｅ Ｓｅａｒｃｈ ｆｏｒ Ｓｐｅｅｃｈ Ｄｅｅｐｆａｋｅａｎｄ Ｓｐｏｏｆｉｎｇ Ｄｅｔｅｃｔｉｏｎ ［ＥＢ ／ ＯＬ ］． （２０２１ － １０ － ０６ ）［２０２３－０５－１６］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０７． １２２１２ｖ２．

［１９］ ＨＵＡ Ｇ，ＴＥＯＨ Ａ Ｂ Ｊ，ＺＨＡＮＧ Ｈ Ｊ． Ｔｏｗａｒｄｓ ＥｎｄｔｏＥｎｄＳｙｎｔｈｅｔｉｃ Ｓｐｅｅｃｈ Ｄｅｔｅｃｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｓｉｇｎａｌ ＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，２０２１，２８：１２６５－１２６９．

作者簡(jiǎn)介

徐童心 男，（１９９９—），碩士研究生。主要研究方向：語音檢測(cè)與人工智能。

黃 俊 男，（１９７１—），博士，教授。主要研究方向：深度學(xué)習(xí)。

基金項(xiàng)目：國家自然科學(xué)基金（６１７７１０８５）