Page 32 - 《应用声学》2023年第1期

28 2023 年 1 月

现有的合成语声检测系统大多模型结构复杂 LFCC、CQCC 和修正群延时 (Modified group de-
且参数量较大。本文提出了一种基于 Transformer lay, MGD) 特征，均为经过分帧将语声信号近似为
编码器模型的合成语声检测方法，利用自注意力 平稳信号后计算得到的帧级别特征。基于时序的帧
机制，学习输入信号声学特征内部的相关性和长 级别特征可以使得 Transformer 编码器更好地学习
期依赖关系。相比于原始的 Transformer 编码器模 到特征内部的长期依赖关系。ASVspoof2019-LA数
型 [18] ，适当地减少了编码器层数与注意力操作次 据集中语声数据的采样率为f s = 16 kHz。
数，模型结构简单，参数量较小，实验结果表明本文 对数功率谱是对输入语声分帧加窗后，进行
所提出的模型在 ASVspoof2019 数据集上取得了比 512 点傅里叶变换，并计算功率谱，然后对功率谱
大部分现有模型更优的性能。 进行对数尺度变换得到的 [9] 。所采用的是窗长为
25 ms，帧移为10 ms的汉宁窗，如式(1)所示：
1 合成语声检测系统结构 ( )
S spec (t, ω) = 20 lg |X(t, ω)| , (1)
2 × 10 −5
基于 Transformer 编码器的合成语声检测系统
其中，|X(t, ω)| 为输入语声信号的短时傅里叶变换
框架如图 2 所示，分为声学特征提取和分类器两
部分，其中分类器采用了 Transformer 编码器结构。 幅度谱，t为帧标识，ω 为角频率。
Transformer 编码器 [18] 由 N 个相同的层堆叠而成， LFCC 是根据 ASVspoof2019 挑战赛所提供的
每个编码器层包含两个子层，分别是多头自注意力 基线系统 [8] 计算得到的。使用窗长为 20 ms、帧移
和前馈神经网络。编码器通过自注意力机制对输入 为 10 ms 的汉明窗对语声进行分帧加窗，并做 512
特征进行非线性变换，能够更好地捕捉特征的内部 点傅里叶变换，计算对数功率谱。然后利用一组线
相关性，学习长期依赖关系。在每个子层后都添加 性三角滤波器处理后，再进行对数运算与离散余弦
了残差连接和层归一化，以保证网络的快速收敛。 变换 (Discrete Cosine transform, DCT) 后得到倒
谱系数，其中滤波器数量为20个。对20维的倒谱特
征逐帧计算一阶与二阶动态系数，最终得到 60维的
ឦܦ४Ѭ
ࣱک෉ӑ 特征向量。
常数 Q 倒谱系数是基于常数 Q 变换 (Constant
Logsoftmax NT
ࡏॆʷӑ
Лᤌଌࡏ(2) Q Transform, CQT) 计算得到的倒谱特征，同样根
ReLU 据 ASVspoof2019 挑战赛所提供的基线系统 [8] 进行
Лᤌଌࡏ(512) ҒᯠᇸፃᎪፏ 计算。CQT 更符合人类的感知系统，在低频具有更
高的频率分辨率，而在高频具有更高的时间分辨率，
Transformerᎄᆊ٨ ࡏॆʷӑ
对于高频信息损失更少。选择的分析频段最高频
率为 ASVspoof2019 数据集中语声数据采样频率的
ጳভઆॖ ܳ݀ᒭฌਓҧ
1/2，即f max = 8 kHz，将分析频段分割为 10个八度
音，每个八度音内再分割为 96 个频带，则最低频率
ܦߦྲढ़ଢԩ
ͯᎶᎄᆊ 10
定义为f min = f max /2 ≃ 7 Hz。利用CQT计算得
ᣥКηՂ ᣥКྲढ़ 到频谱，然后计算对数功率谱，再进行重采样后，就
Ռੇឦܦೝ฾ጇፒ Transformerᎄᆊ٨ 可利用 DCT 变换计算得到 CQCC 特征。本文提取
CQCC及其一阶和二阶动态系数，最终得到90维的
图 2 基于 Transformer 编码器的合成语声检测系统
特征向量。
Fig. 2 Transformer encoder-based spoofing counter-
MGD 特征是傅里叶频谱的复数表示，同时包
measure system for synthetic speech detection
含了相位和幅度信息。给定输入信号 x(n)，经过短
1.1 声学特征提取 时傅里叶变换得到复数谱X(ω)，其实部和虚部分别
本文选取了在合成语声检测中常用的 4 种声 为 X R (ω) 和 X I (ω)，定义 nx(n) 的复数谱为 Y (ω)，
学特征，分别是对数功率谱 (Spectrogram, Spec)、 其实部和虚部分别为Y R (ω)和Y I (ω)，则MGD 特征