已有研究及實踐均證明語音變形(Voice Transformation,VT)、語音轉(zhuǎn)換(Voice Conversion,VC)、語音合成(Speech Synthesis,SS)及重播語音等欺騙性語音能有效地欺騙自動說話人識別系統(tǒng),給社會安全帶來嚴重的危害。目前已有的研究主要集中于對VC、SS及重播語音的檢測,而對VT相關(guān)的安全問題研究相對不足。然而,相較實現(xiàn)成本較高且算法尚未完全成熟的VC及SS等操作,VT已有的算法能在改變說話人聲音的同時高度保持語音的自然性,同時實現(xiàn)方式及成本便捷低廉,已集成在很多語音處理工具中,并在眾多的案件中作為犯罪手段。因此,研究VT欺騙性語音的安全問題具有重要意義。為此,本文研究VT欺騙性語音的檢測算法,并實現(xiàn)對VT欺騙魯棒的說話人識別系統(tǒng)。本文主要的工作如下:1.提出一種基于高斯混合模型-通用背景模型超向量的VT語音檢測算法。該算法利用MFCC在UBM下自適應(yīng)得出的GMM-UBM超向量作為學習特征,并利用支持向量機作為分類方法。實驗結(jié)果表明,該算法的識別率能達到98.62%。同時,當測試語音時長較短時,該算法能保持高識別率。2.利用Visual St...

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 欺騙性語音安全問題研究的背景及意義
    1.2 欺騙性語音安全問題的現(xiàn)狀與發(fā)展
    1.3 本文的文章結(jié)構(gòu)
2 基礎(chǔ)理論概述
    2.1 語音預(yù)處理
    2.2 端點檢測
    2.3 語音信號的頻域分析
        2.3.1 短時傅里葉變換
        2.3.2 倒譜分析與同態(tài)濾波處理
        2.3.3 梅爾頻率倒譜系數(shù)
    2.4 說話人識別模型
3 基于GMM-UBM超向量的VT欺騙性語音檢測算法
    3.1 語音變形(VT)原理
    3.2 基于MFCC的兩種特征提取
        3.2.1 GMM超向量
        3.2.2 MFCC統(tǒng)計矩特征
    3.3 欺騙性語音VT的訓練與檢測
        3.3.1 VT的量化分析
        3.3.2 建立多SVM混合模型
        3.3.3 VT檢測算法
    3.4 實驗結(jié)果
        3.4.1 實驗設(shè)置
        3.4.2 實驗結(jié)果分析
4 VT欺騙魯棒的說話人識別系統(tǒng)實現(xiàn)
    4.1 系統(tǒng)的模塊設(shè)計
        4.1.1 開發(fā)環(huán)境
        4.1.2 系統(tǒng)模塊安排
    4.2 特征提取模塊
        4.2.1 讀入文件和預(yù)處理
        4.2.2 特征提取功能
    4.3 模型訓練模塊
        4.3.1 GMM 訓練功能
        4.3.2 SVM訓練功能
    4.4 檢測識別模塊
        4.4.1 檢測功能
        4.4.2 說話人識別功能
5 總結(jié)與展望
參考文獻
致謝
攻讀碩士學位期間的學術(shù)成果
學位論文數(shù)據(jù)集表



本文編號：3832159