[发明专利]语音场景篡改鉴别的方法、装置、电子设备及存储介质

权利要求书

1.一种语音场景篡改鉴别的方法，其特征在于，包括以下步骤：

提取输入的待鉴别音频的对数功率谱的声学特征；

将提取的待鉴别音频的对数功率谱的声学特征输入预先训练的语音场景篡改识别模型中，输出待鉴别音频场景是否被篡改的结果，其中，所述语音场景篡改识别模型由语音场景篡改后的音频与原始语音数据按照预设比例混合作为训练集训练得到的，

其中，所述提取输入的待鉴别音频的对数功率谱的声学特征，包括：

对待鉴别音频信号的时域波形图进行短时傅里叶变换，得到变换后的复数矩阵；

根据变换后的复数矩阵生成二维像素矩阵，作为对数功率谱的声学特征，

其中，所述复数矩阵包括实部矩阵和虚部矩阵，根据变换后的复数矩阵生成二维像素矩阵，作为对数功率谱的声学特征，包括：

调整实部矩阵和虚部矩阵的横坐标和纵坐标，使得实部矩阵和虚部矩阵的横坐标和纵坐标的最值均相同；

将调整后的实部矩阵和虚部矩阵拼接为二维像素矩阵，以作为双通道矩阵输入预先训练的语音场景篡改识别模型。

2.根据权利要求1所述的方法，其特征在于，通过以下表达式，将调整后的实部矩阵和虚部矩阵拼接为二维像素矩阵：

其中，LPS为二维像素矩阵的像素纵坐标取值，log表示取对数操作，X_r为与二维像素矩阵同一像素横坐标下实部矩阵的像素纵坐标取值，X_i为与二维像素矩阵同一像素横坐标下虚部矩阵的像素纵坐标取值。

3.根据权利要求1所述的方法，其特征在于，所述语音场景篡改识别模型由语音场景篡改后的音频与原始语音数据按照预设比例混合作为训练集训练得到，包括：

对原始语音数据进行语音场景篡改，得到语音场景篡改后的音频；

将语音场景篡改后的音频与原始语音数据按照预设比例混合为训练集；

提取训练集的语音的对数功率谱的声学特征；

利用训练集的语音的对数功率谱的声学特征训练神经网络，得到语音场景篡改识别模型。

4.根据权利要求3所述的方法，其特征在于，所述神经网络为膨胀压缩神经网络、深度神经网络、卷积神经网络和循环神经网络中的任意一种。

5.根据权利要求4所述的方法，其特征在于，所述卷积神经网络包括卷积层、MFM激活层、最大池化层、批归一化层和全连接层。

6.一种语音场景篡改鉴别装置，其特征在于，包括：

提取模块，其用于提取输入的待鉴别音频的对数功率谱的声学特征；

输出模块，其用于将提取的待鉴别音频的对数功率谱的声学特征输入预先训练的语音场景篡改识别模型中，输出待鉴别音频场景是否被篡改的结果，其中，所述语音场景篡改识别模型由语音场景篡改后的音频与原始语音数据按照预设比例混合作为训练集训练得到的，

其中，所述提取输入的待鉴别音频的对数功率谱的声学特征，包括：

对待鉴别音频信号的时域波形图进行短时傅里叶变换，得到变换后的复数矩阵；

根据变换后的复数矩阵生成二维像素矩阵，作为对数功率谱的声学特征，

其中，所述复数矩阵包括实部矩阵和虚部矩阵，根据变换后的复数矩阵生成二维像素矩阵，作为对数功率谱的声学特征，包括：

调整实部矩阵和虚部矩阵的横坐标和纵坐标，使得实部矩阵和虚部矩阵的横坐标和纵坐标的最值均相同；

将调整后的实部矩阵和虚部矩阵拼接为二维像素矩阵，以作为双通道矩阵输入预先训练的语音场景篡改识别模型。

7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一项所述的语音场景篡改鉴别的方法步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的语音场景篡改鉴别的方法步骤。