The Effect of Speaker Variability on Distinguishability of Bonafide and Synthetized Speech

Abstract

Цель работы: исследование статистических различий обучающих данных, используемых для реализации субъектонезависимого и субъектозависимого подходов к обнаружению синтезированного голоса при противодействии спуфинг-атакам на системы распознавания личности по голосу.Методы исследования: в качестве голосовых признаков используются линейно-частотные кепстральные коэффициенты (LFCC). Для аппроксимации вероятностных распределений голосовых признаков используется модель смеси гауссовых распределений. Для визуализации голосовых признаков используется алгоритм уменьшения размерности t-SNE. Для оценки степени различия вероятностных распределений используется расстояние Кульбака-Лейблера, рассчитываемое при помощи метода Монте-Карло. Результаты исследования: мы обнаружили, что данные, принадлежащие различным дикторам, разделены на кластеры в пространстве голосовых признаков, используемых для обнаружения синтезированного голоса. Полученные результаты свидетельствуют о том, что использование субъектозависимых распределений признаков, вместо субъектонезависимых, увеличивает различимость подлинного и синтезированного голоса. Это подтверждает наше предположение о том, что разнообразие дикторов в обучающем наборе данных является запутывающим фактором при обнаружении спуфинга. Следовательно, использование субъектозависимых моделей обнаружения спуфинга, с высокой вероятностью, позволит повысить точность обнаружения синтезированного голоса. Научная новизна: при помощи статистических методов, мы подтверждаем, что разнообразие дикторов в обучающем наборе данных -существенный запутывающий фактор при обучении моделей обнаружения синтезированного голоса.