[论文解读] An explainability study of the constant Q cepstral coefficient spoofing countermeasure for automatic speaker verification

Hemlata Tak, José Patino+3 more|arXiv (Cornell University)|Apr 14, 2020

Speech Recognition and Synthesis参考文献 34被引用 4

一句话总结

本文研究了为何恒定Q倒谱系数（CQCCs）在自动说话人验证中能有效检测某些欺骗攻击，却对其他攻击无效。通过分析子带频谱分量，研究发现CQCCs在欺骗伪影集中于低频时检测效果最佳，这是由于CQT具有几何频率分辨率，从而解释了不同攻击类型下性能差异的原因，并强调了需针对特定频段设计对策。

ABSTRACT

Anti-spoofing for automatic speaker verification is now a well established area of research, with three competitive challenges having been held in the last 6 years. A great deal of research effort over this time has been invested into the development of front-end representations tailored to the spoofing detection task. One such approach known as constant Q cepstral coefficients (CQCCs) have been shown to be especially effective in detecting attacks implemented with a unit selection based speech synthesis algorithm. Despite their success, they largely fail in detecting other forms of spoofing attack where more traditional front-end representations give substantially better results. Similar differences were also observed in the most recent, 2019 edition of the ASVspoof challenge series. This paper reports our attempts to help explain these observations. The explanation is shown to lie in the level of attention paid by each front-end to different sub-band components of the spectrum. Thus far, surprisingly little has been learned about what artefacts are being detected by spoofing countermeasures. Our work hence aims to shed light upon signal or spectrum level artefacts that serve to distinguish different forms of spoofing attack from genuine, bone fide speech. With a better understanding of these artefacts we will be better positioned to design more reliable countermeasures.

研究动机与目标

• 解释在自动说话人验证中，基于CQCC的欺骗检测对策在不同攻击类型下表现不一的原因。
• 识别使CQCCs能够或无法检测到的欺骗伪影的频谱特征。
• 研究恒定Q变换的频率分辨率如何影响对特定欺骗伪影的检测灵敏度。
• 评估CQCC的几何频率缩放是增强还是限制了对基于伪影频谱位置的欺骗攻击的检测能力。

提出的方法

• 本研究采用子带分析方法，以隔离并评估不同频带对欺骗检测性能的贡献。
• 通过比较基于几何缩放（恒定Q）和线性缩放（线性频率）的恒定Q变换生成的CQCCs，评估其在频谱强调上的差异。
• 在ASVspoof 2019数据集上，使用EER（等错误率）评估性能，涵盖多种欺骗攻击类型。
• 分析聚焦于CQT的频谱分辨率如何突出低频分量，而许多欺骗伪影正位于低频区域。
• 作者通过比较不同频率缩放方式下的CQCCs与LFCC特征的检测性能，验证了研究发现。
• 研究了时频分辨率对伪影检测的影响，并将性能与欺骗伪影在频谱中的位置进行关联。

实验结果

研究问题

• RQ1 为何基于CQCC的对策在某些欺骗攻击（如S10）上表现极佳，而在其他攻击（如S8）上表现欠佳？
• RQ2 不同攻击类型下，欺骗伪影在频谱中的主要分布位置是什么？
• RQ3 与线性缩放相比，恒定Q变换的几何频率缩放如何影响对欺骗伪影的检测？
• RQ4 欺骗伪影的频谱特征在多大程度上决定了CQCC检测的有效性？
• RQ5 CQCC在不同攻击间的表现差异是否可由特定子带中能量与伪影的分布来解释？

主要发现

• 当欺骗伪影集中于低频带时，CQCC表现最佳，这是由于恒定Q变换在低频区域具有密集采样特性。
• 对于S10这类伪影集中在低频的攻击，几何缩放的CQCC可实现接近零的EER，相比基线系统降低72%的EER。
• 对于S8这类伪影位于高频带的攻击，线性缩放的CQCC和LFCC优于几何缩放的CQCC，表明频谱强调具有关键影响。
• 具有几何频率缩放的CQCC前端对A17、A10、A12和A18攻击的检测效果不佳，各类配置下的EER均保持较高水平。
• 子带分析证实，检测性能与欺骗伪影的频带位置密切相关，而不仅取决于整体信号能量。
• 结果表明，倒谱分析可能使局部频谱伪影被平滑化，因此未来对策应针对特定频带而非全频带设计。