[論文レビュー] Spoofing detection under noisy conditions: a preliminary investigation and an initial database

Xiaohai Tian, Zhizheng Wu+3 more|arXiv (Cornell University)|Feb 9, 2016

Speech Recognition and Synthesis参考文献 12被引用数 9

ひとこと要約

本論文は、5種類の追加ノイズ（ホワイト、バブル、ボルボ、ストリート、カフェ）をさまざまなSNR（20、10、0 dB）で含むノイジーアイソスポーフデータベースを紹介し、ノイズ下での最先端のスプーフィング検出特徴量の評価を実施した。結果として、モデルの性能はノイズ環境下で著しく低下し、特に低SNR条件下で顕著であることが判明。位相ベース特徴量（IF、BPD）が大きさベース特徴量を上回り、ノイズが非定常的であるボルボやカフェノイズはホワイトノイズよりも性能低下を引き起こすことが明らかになった。

ABSTRACT

Spoofing detection for automatic speaker verification (ASV), which is to discriminate between live speech and attacks, has received increasing attentions recently. However, all the previous studies have been done on the clean data without significant additive noise. To simulate the real-life scenarios, we perform a preliminary investigation of spoofing detection under additive noisy conditions, and also describe an initial database for this task. The noisy database is based on the ASVspoof challenge 2015 database and generated by artificially adding background noises at different signal-to-noise ratios (SNRs). Five different additive noises are included. Our preliminary results show that using the model trained from clean data, the system performance degrades significantly in noisy conditions. Phase-based feature is more noise robust than magnitude-based features. And the systems perform significantly differ under different noise scenarios.

研究の動機と目的

• 実世界のASV展開で一般的な追加ノイズ条件下における、現在のスプーフィング検出システムの頑健性を調査すること。
• ASVspoof 2015データセットに基づき、複数のSNRレベルで5種類の現実的な追加ノイズタイプを追加した初期のノイジーデータベースを構築・公開すること。
• ノイズ環境下における最先端のスプーフィング検出特徴量（大きさベースおよび位相ベース）の性能をベンチマークすること。
• どのノイズタイプがスプーフィング検出性能を最も著しく低下させるかを特定し、SNRがシステム信頼性に与える影響を理解すること。

提案手法

• SNR 20 dB、10 dB、0 dBで、ホワイト、バブル、ボルボ内装、ストリート、カフェノイズの5種類の追加ノイズを人工的に付加することで、ASVspoof 2015データベースのノイジーサブセットを構築した。
• ノイズ信号は、既存のデータベース（NOISEX-92：ホワイト、バブル、ボルボ；QUT-NOISE：ストリート、カフェ）から選定し、現実の音響環境を的確に再現した。
• 12の特徴量（6つは大きさベース：LPC、LPCC、MFCC、RASTA、PLP、RLMS；6つは位相ベース：IF、BPD、GD、MGD、LPS、LPSF）を用いた標準的なスプーフィング検出パイプラインを適用した。
• クリーンデータで学習したGMMベースの分類器を用い、全ノイズタイプおよびSNRレベルでノイジーデータベース上の性能を評価した。
• 主な評価指標として等誤差率（EER）を用い、特徴量間のスコア統合を実施して検出性能を向上させた。
• EERのノイズタイプおよびSNRレベル別比較を通じて特徴量の頑健性を分析し、スプーフィング攻撃タイプ（S1-S10）ごとの性能差を評価した。

実験結果

リサーチクエスチョン

• RQ1 現在の最先端のスプーフィング検出アルゴリズムは、追加ノイズ条件下でも効果的に機能するか？
• RQ2 信号対雑音比（SNR）は、異なるノイズタイプにおいてスプーフィング検出性能にどのように影響するか？
• RQ3 どの種類の追加ノイズがスプーフィング検出性能を最も著しく低下させるか？
• RQ4 位相ベース特徴量は、大きさベース特徴量よりもノイズに対してより頑健であるか？
• RQ5 ノイズ環境下で、さまざまなスプーフィング攻撃タイプ（例：S1-S5 と S6-S10）の性能にどのような差が生じるか？

主な発見

• すべてのノイズ環境下でシステム性能が著しく低下し、特に0 dB SNRで最も顕著な低下が観察された。ボルボノイズ下では評価セットのEERが最大14.31%に達した。
• 好条件（20 dB SNR）下でも、最高性能を示したシステム（ホワイトノイズ）は開発セットでEER 2.52%を記録したが、クリーン条件のベンチマークより劣っていた。
• 位相ベース特徴量（IF、BPD）は、全ノイズタイプおよびSNRレベルで一貫して大きさベース特徴量を上回り、IFおよびBPDが平均EERが最小となった。
• 非定常的ノイズ（ボルボ内装、ストリート、カフェノイズ）は定常的ホワイトノイズよりも顕著にEERを上昇させ、スプーフィング検出システムにとってより大きな課題をもたらすことが示された。
• S10攻撃はクリーン条件およびノイズ条件の両方で最も検出が困難であり、S1-S9と比較してEERが著しく高く、スコア統合後でも同様の傾向が続いた。
• スコア統合により全ノイズ状況で性能向上が見られたが、低SNRおよび非定常的ノイズ条件下では効果が限定的であった。これにより、ノイズに強い学習戦略の開発が急務であることが示唆された。