[发明专利]虚假音频检测

权利要求书

1.一种方法(600)包括：

在数据处理硬件(103)处接收表征由用户设备(102)获得的语音的音频数据(120)；

由所述数据处理硬件(103)使用经训练的自监督模型(210)生成多个音频特征向量(212)，所述多个音频特征向量(212)中的每个音频特征向量表示部分的所述音频数据(120)的音频特征；

由所述数据处理硬件(103)使用浅鉴别器模型(222)，基于所述多个音频特征向量(212)中的每个音频特征向量(212)的对应音频特征，生成指示所述音频数据(120)中合成语音的存在的得分(224)；

由所述数据处理硬件(103)确定所述得分(224)是否满足合成语音检测阈值；以及

当所述得分(224)满足所述合成语音检测阈值时，由所述数据处理硬件(103)确定由所述用户设备(102)获得的所述音频数据(120)中的所述语音包括合成语音。

2.根据权利要求1所述的方法(600)，其中，所述浅鉴别器模型(222)包括智能池化层(310)。

3.根据权利要求1或2所述的方法(600)，还包括：

由所述数据处理硬件(103)使用所述浅鉴别器模型(222)的所述智能池化层(310)，基于所述多个音频特征向量(212)中的每个音频特征向量(212)生成单个最终音频特征向量(212)，

其中，生成指示所述音频数据(120)中所述合成语音的存在的所述得分(224)是基于所述单个最终音频特征向量(212)。

4.根据权利要求3所述的方法(600)，其中，所述单个最终音频特征向量(212)包括所述多个音频特征向量(212)中的每个音频特征向量(212)的平均。

5.根据权利要求3所述的方法(600)，其中，所述单个最终音频特征向量(212)包括所述多个音频特征向量(212)中的每个音频特征向量(212)的聚合。

6.根据权利要求3-5中任一项所述的方法(600)，其中，所述浅鉴别器模型(222)包括全连接层，所述全连接层被配置为接收所述单个最终音频特征向量(212)作为输入并生成所述得分(224)作为输出。

7.根据权利要求1-6中任一项所述的方法(600)，其中，所述浅鉴别器模型(222)包括逻辑回归模型、线性鉴别分析模型或随机森林模型中的一个。

8.根据权利要求1-7中任一项所述的方法(600)，其中，在仅包括源于人类语音的训练样本(410)的第一训练数据集上训练所述经训练的自监督模型(210)。

9.根据权利要求8所述的方法(600)，其中，在包括合成语音的训练样本(410)的第二训练数据集上训练所述浅鉴别器模型(222)，所述第二训练数据集小于所述第一训练数据集。

10.根据权利要求1-9中任一项所述的方法(600)，其中，所述数据处理硬件(103)驻留在所述用户设备(102)上。

11.根据权利要求1-10中任一项所述的方法(600)，其中，所述经训练的自监督模型(210)包括从更大的经训练的自监督模型(210)导出的表示模型。