[論文レビュー] A Study on Replay Attack and Anti-Spoofing for Automatic Speaker Verification

Lantian Li, Yixiang Chen+2 more|arXiv (Cornell University)|Jun 7, 2017

Speech Recognition and Synthesis参考文献 2被引用数 10

ひとこと要約

本稿は、自動発話者認証におけるリプレイ攻撃を調査し、リプレイ検出における過学習の主な原因としてデバイスのばらつきを特定している。F比プロービングツールを用いて、再生／録音デバイスが特徴パターンを著しく歪め、一般化性能が低下することを示している。周波数ワープ法を提案し、デバイス由来のばらつきを抑制することで、検出性能を向上させた。特にIMFCC特徴量とGMM分類器を組み合わせた場合、ASV-Spoof 2017データセットでEERが7.50%に達した。

ABSTRACT

For practical automatic speaker verification (ASV) systems, replay attack poses a true risk. By replaying a pre-recorded speech signal of the genuine speaker, ASV systems tend to be easily fooled. An effective replay detection method is therefore highly desirable. In this study, we investigate a major difficulty in replay detection: the over-fitting problem caused by variability factors in speech signal. An F-ratio probing tool is proposed and three variability factors are investigated using this tool: speaker identity, speech content and playback & recording device. The analysis shows that device is the most influential factor that contributes the highest over-fitting risk. A frequency warping approach is studied to alleviate the over-fitting problem, as verified on the ASV-spoof 2017 database.

研究の動機と目的

• 自動発話者認証システムにおけるリプレイ検出における過学習の根本的要因を調査すること。
• 話者本人、発話内容、再生／録音デバイスといった発話のばらつき要因がリプレイ検出性能に与える影響を分析すること。
• リプレイ検出モデルにおける過学習リスクを引き起こす主な要因としてデバイスのばらつきを同定すること。
• デバイス由来のばらつきを軽減し、モデルの一般化性能を向上させる周波数ワープ技術を提案・評価すること。
• 複数の分類器と特徴量タイプを用いて、ASV-Spoof 2017データベース上で提案手法の有効性を検証すること。

提案手法

• F比指標を、話者、内容、デバイスといった異なるばらつき要因における特徴量の判別力の定量的評価に用いるプロービングツールとして採用。
• 3種類の特徴量タイプを分析：MFCC（メル周波数 cepstral コefficient）、LFCC（線形周波数 cepstral コefficient）、IMFCC（中間周波数 cepstral コefficient）、それぞれ異なるスペクトル表現から抽出。
• リプレイアーティファクトが最も判別可能となる高周波数帯に注目し、デバイスばらつきの影響を強く受ける低周波数帯を軽視する周波数ワープ法を導入。
• 非一様な周波数ワープ関数を適用し、スペクトルエネルギーを再重み付けすることで、特徴空間におけるデバイス固有の歪みの影響を低減。
• 3種類の分類器を評価：GMM（ガウス混合モデル）、i-vector/SVM（i-vector埋め込みを用いたサポートベクターマシン）、DNN（深層ニューラルネットワーク）、性能は等誤差率（EER）で測定。
• DNNは2層のCNNに続くTDNNを用い、フレームレベル分類を実行し、後続の尤度平均化により発話レベルの意思決定を実施。

実験結果

リサーチクエスチョン

• RQ1 リプレイ検出モデルにおける過学習に寄与する主な発話信号のばらつき要因は何か？
• RQ2 再生・録音デバイスはF比パターンにどのように影響を与え、リプレイ検出システムの一般化性能にどう寄与するか？
• RQ3 周波数ワープは、デバイスばらつきがリプレイ検出性能に与える影響をどの程度軽減できるか？
• RQ4 MFCC、LFCC、IMFCCのうち、どの特徴量タイプがデバイス由来のばらつきに対して最も頑健な性能を示すか？
• RQ5 GMM、i-vector/SVM、DNNといった異なる分類器は、リプレイ攻撃検出において一般化性能と信頼性の観点でどのように比較できるか？

主な発見

• デバイスのばらつきが過学習に最も大きな影響を与えることが、話者本人や発話内容と比較して、デバイスごとのF比の変動が最大であることで明らかになった。
• IMFCC特徴量が最も優れた検出性能を示し、全共分散GMMを用いることでEERが7.50%に達した。これはMFCCやLFCCと比較して過学習が低減されていることを示している。
• 全共分散GMMが全体で最も優れたEER（7.50%）を達成し、DNNのようなより複雑なモデルよりも優れている。DNNは過学習による高いばらつきを示した。
• 周波数ワープ法により、特に低周波数帯におけるデバイス由来のスペクトル歪みが著しく抑制され、検出性能が向上した。
• 高い容量を持つDNNモデルは、過学習のため信頼性に欠け、異なる初期化条件で結果が大きくばらついた。
• F比分析により、リプレイ検出に最も判別的である情報が高周波数帯に集中しており、デバイスばらつきの影響をあまり受けないことが確認された。