CN111933154A - 一种伪冒语音的识别方法、设备及计算机可读存储介质 - Google Patents

Abstract

本申请实施例属于人工智能领域，涉及一种伪冒语音的识别方法，包括：获取待识别语音；对待识别语音进行STFT变换处理，将待识别语音转换为待识别语音信号特征图；将待识别语音信号特征图输入目标DenseNet网络模型，输出待识别语音为真实语音或伪冒语音的二分类判别结果。本申请还提供一种伪冒语音的识别装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，获取的用户的语音数据和二分类判别结果可存储于区块链中。本方案通过利用目标DenseNet网络模型进行语音识别工作，基于神经网络的自学习功能，提供了一种准确度高的自动识别伪冒语音的方法，减少ASV或者声纹系统安全漏洞的产生。本申请可应用于智慧医疗、智慧政务、智慧教育或科技金融等领域。

Description

一种伪冒语音的识别方法、设备及计算机可读存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种伪冒语音的识别方法、识别设备、计算机设备和计算机可读存储介质。

背景技术

随着语音识别和人工智能(artificial intelligence，AI)技术的逐步发展，其在实际应用中越来越普遍，尤其是说话人自动确认(automatic speaker verification,ASV)技术和声纹技术普遍用于手机唤醒，语音解锁，智能音箱和语音支付领域。

然而需要说明的是，ASV或者声纹系统本身并不具备识别伪冒语音的能力，并且随着语音合成从文本到语言(text to speech，TTS)技术的成熟，现在语音端的伪冒语音越来越难以识别，包括高质量录音设备录音重放，最新技术的语音合成等。对未来尤其是跟安全领域相关的方向使用ASV和声纹技术时，或者未来涉及到大数据挖掘方向时，能否区分语音是否真实来自于用户或者客户就变得越来越重要。因此，如何对伪冒语音进行识别，是一个亟需解决的问题。

发明内容

本申请实施例的目的在于提出一种伪冒语音的识别方法、识别设备、计算机设备和计算机可读存储介质，以解决现有技术中，由于缺乏对伪冒语音的识别手段，而可能存在的安全漏洞问题。

为了解决上述技术问题，本申请实施例提供一种伪冒语音的识别方法、识别设备、计算机设备和计算机可读存储介质，采用了如下该的技术方案：

第一方面，本申请实施例提供了一种一种伪冒语音的识别方法，可以包括：

获取待识别语音；

对该待识别语音进行STFT变换处理，将该待识别语音转换为待识别语音信号特征图；

将该待识别语音信号特征图输入目标DenseNet网络模型，输出该待识别语音为真实语音或伪冒语音的二分类判别结果。

进一步地，该将该待识别语音信号特征图输入目标DenseNet网络模型之前，该识别方法还可以包括：

获取真实语音数据集和伪冒语音数据集；

利用STFT变换将该真实语音数据集中的语音转换为第一类别语音信号特征图，将该伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到可以包括该第一类别语音信号特征图和该第二类别语音信号特征图的第一语音信号特征图数据集；

利用该第一语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对该初始DenseNet网络各层的权重参数进行调整，直至该损失函数小于小于预设值时，锁定该初始DenseNet网络各层的权重参数以得到该目标DenseNet网络模型。

进一步地，该利用STFT变换将该真实语音数据集中的语音转换为第一类别语音信号特征图，将该伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到可以包括该第一类别语音信号特征图和该第二类别语音信号特征图的第一语音信号特征图数据集之后，该识别方法还可以包括：

将该第一语音信号特征图数据集中部分语音信号特征图的部分频率特征执行遮掩操作，以将该第一语音信号特征图数据集转换为第二语音信号特征图数据集；

该利用该第一语音信号特征图数据集训练初始DenseNet网络，可以包括：

利用该第二语音信号特征图数据集训练初始DenseNet网络。

进一步地，该目标DenseNet网络模型依次可以包括第一卷积层、第一通道伸缩模块、第一过渡层、第二通道伸缩模块、第二过渡层、第三通道伸缩模块、第一全连接层和第二全连接层，该第一卷积层、该第一通道伸缩模块、该第一过渡层、该第二通道伸缩模块、该第二过渡层和该第三通道伸缩模块用于按照顺序依次提取该待识别语音信号特征图的特征并输出第一特征图，该第一全连接层和该第二全连接层用于进一步提取该第一特征图的特征，并根据提取的特征输出二分类的判别结果。

进一步地，该第一通道伸缩模块、该第二通道伸缩模块和该第三通道伸缩模块均分别可以包括4个上层结构和4个下层结构，该上层结构依次可以包括第二卷积层、4个并列的第三卷积层、第四卷积层和第一SE block，该下层结构依次可以包括第五卷积层、4个并列的第六卷积层、第七卷积层和第二SE block。

进一步地，该第二卷积层、该第四卷积层、该第五卷积层和该第七卷积层均为核大小为1×1的卷积层，该第二卷积层和该第五卷积层用于减少输入的特征图的通道数，该第四卷积层用于对4个该第三卷积层输出的特征图进行拼接操作并输入该第一SE block进行处理，该第七卷积层用于对4个该第六卷积层输出的特征图进行拼接操作并输入该第二SEblock进行处理，该第一SE block用于为该第四卷积层输入的各个特征图按照通道分配对应的权重，该第二SE block用于为该第七卷积层输入的各个特征图按照通道分配对应的权重。

进一步地，该对该待识别语音进行STFT变换处理，可以包括：

对该待识别语音进行分帧和加窗操作之后，进行STFT变换处理。

第二方面，本申请实施例提供了一种伪冒语音的识别设备，该识别设备可以包括：

第一获取模块，用于获取待识别语音；

第一变换模块，用于对该待识别语音进行STFT变换处理，将该待识别语音转换为待识别语音信号特征图；

处理模块，用于将该待识别语音信号特征图输入目标DenseNet网络模型，输出该待识别语音为真实语音或伪冒语音的二分类判别结果。

第三方面，本申请实施例提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如第一方面任一项所述的伪冒语音的识别方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如如第一方面任一项所述的伪冒语音的识别方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

在获取到待识别语音后，对该待识别语音进行STFT变换处理，得到处理后的待识别语音信号特征图。之后，将该待识别语音信号特征图输入目标DenseNet网络模型，从而输出该待识别语音为真实语音或伪冒语音的二分类判别结果。也即，本本方案通过利用目标DenseNet网络模型进行语音识别工作，基于神经网络的自学习功能，提供了一种准确度高的自动识别伪冒语音的方法，减少ASV或者声纹系统安全漏洞的产生。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种伪冒语音的识别方法的一个实施例示意图；

图2是本申请实施例提供的目标DenseNet网络模型的结构示意图；

图3是图2所示的目标DenseNet网络模型中第一通道伸缩模块的结构示意图；

图4是图3所示的第一通道伸缩模块中第一SE block的结构示意图；

图5是本申请实施例提供的一种伪冒语音的识别方法的另一个实施例示意图；

图6是本申请实施例提供的一种伪冒语音的识别方法的又一个实施例示意图；

图7A是本申请实施例提供的一种伪冒语音的识别设备的一个实施例示意图；

图7B是本申请实施例提供的一种伪冒语音的识别设备的又一个实施例示意图；

图7C是本申请实施例提供的一种伪冒语音的识别设备的又一个实施例示意图；

图8是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，示出了根据本申请的一种伪冒语音的识别方法的一个实施例的流程图。所述的伪冒语音的识别方法，包括以下步骤：

步骤S101，获取待识别语音。

在本实施例中，所述的伪冒语音的识别方法运行于其上的电子设备(例如可以是服务器/终端设备)上，该电子设备可以采集获取待识别语音数据。

在一些可能的实现方式中，获取的待识别语音可以保存在区块链中。

步骤S102，对待识别语音进行STFT变换处理，将待识别语音转换为待识别语音信号特征图。

在本实施例中，电子设备可以对该待识别语音进行短时快速傅里叶变化(short-time Fourier transform,STFT),以使得将待识别语音数据转换为待识别语音信号特征图。具体的，该转换过程可以依次包括分帧、加窗(hamming window)和STFT变换操作。其中，分帧是指，将采集得到的待识别语音在时间域上先进行分段操作后，再按照预设的一帧的时长将上一步骤得到的分段语音再分成多帧。加窗则是利用窗函数对每帧的语音数据进行处理，以得到一个时间片段，然后用该截断得到的时间片段进行周期延拓处理，得到虚拟的无限长的信号，以便可以对信号进行STFT变换、相关分析等数学处理。其中，为了避免频谱能量泄漏，可以根据待识别语音的波形选择对应的窗函数，具体窗函数的选择，此处不做过多限定。进行加窗操作之后，电子设备进一步将加窗操作后的每帧语音数据执行STFT变换处理，将时域的待识别语音转换为待识别语音信号特征图。其中，该待识别语音信号特征图中，横轴表示时间维度，纵轴表示频率维度。

举例说明，例如本方案中，假设待识别的语音时长为50秒，每段时长5秒，则可以先按照每段5秒分成10段分段语音。常见的帧长一般取为20-50毫秒,本方案中可以选用25毫秒为帧长，则可以将每个分段语音分为200帧。之后，电子设备对每一帧进行加窗操作，之后再对加窗后的每帧语音数据进行STFT变换，将其转换得到待识别语音信号特征图。

步骤S103，将待识别语音信号特征图输入目标DenseNet网络模型，输出待识别语音为真实语音或伪冒语音的二分类判别结果。

在本实施例中，电子设备将步骤S102中得到的待识别语音信号特征图输入已训练得到的目标DenseNet网络模型，从而输出该待识别语音为真实语音或伪冒语音的二分类判别结果。其中，该目标DenseNet网络模型可以由该电子设备提前训练得到，也可以是由另一电子设备在训练完成后，发送至该电子设备上。

在一些可能的实现方式中，相比现有技术中的DenseNet网络，目标DenseNet网络模型可以是一种改进的DenseNet网络模型。具体地，本申请中，对DenseNet网络的主要改进点在于：将现有DenseNet网络这种的密集块(dense block)更改为一种自定义的通道伸缩模块(channel stretch block)结构。

改进后得到的目标DenseNet网络模型可以显著降低训练模型的参数量。具体的，现有DenseNet网络的参数量1.71x10^5，浮点计算量是7.16x10^9，而改进后得到的目标DenseNet网络模型的参数量为8.2x10^4，浮点计算量是3.53x10^9。需要说明的是，现有DenseNet网络为目前常见的一种网络结构，本实施例不做过多阐述。

对现有DenseNet网络进行改进后得到的目标DenseNet网络模型可以参照图2所示，该目标DenseNet网络模型可以包括：

第一卷积层(convolutional layer)、第一通道伸缩模块、第一过渡层(transition layer)、第二通道伸缩模块、第二过渡层205和第三通道伸缩模块、第一全连接层(fully connected layers,FC)和第二全连接层。

其中，各层的连接关系如图2所示，第一卷积层为核(kernel)大小可以为1×1的卷积层，第一过渡层和第二过渡层分别由一层卷积层和一层池化层(pooling layer)组成。该第一卷积层、第一通道伸缩模块、第一过渡层、第二通道伸缩模块、第二过渡层和第三通道伸缩模块用于按照顺序依次提取待识别语音信号特征图的特征并输出第一特征图。第一全连接层和第二全连接层可以将输入的数据转换为不同类别，可用于进一步提取第一特征图的特征，并根据提取的特征输出二分类的判别结果。

在一些可能的实现方式中，上述的第一通道伸缩模块、第二通道伸缩模块和第三通道伸缩模块具有相同的结构，分别包括4个上层结构和4个下层结构。以图3所示，为第一通道伸缩模块的结构示意图，可以包括：

4个上层结构，每个上层结构包括：第二卷积层、4个并列的第三卷积层、第四卷积层和第一SE block(Squeeze-and-Excitation block)；4个下层结构，每个下层结构包括：第五卷积层、4个并列的第六卷积层、第七卷积层和第二SE block。

在一些可能的实现方式中，如图3所示，第二卷积层、第四卷积层、第五卷积层和第七卷积层均可以为1×1卷积层。第二卷积层和第五卷积层可以用于对接收到的特征图进行1×1卷积，减少输入的特征图的数量，并分别将输出的特征图并行输入给4个第三卷积层和4个第六卷积层。例如，若输入第二卷积层的特征图通道数为64，则可以通过第二卷积层进行1×1卷积后，输出通道数为32的特征图，并将输出的特征图并行输入给4个3×3核大小的第三卷积层。第四卷积层和第七卷积层则可以分别对4个第三卷积层和4个第六卷积层输出的特征图进行拼接操作(按通道相加)，并将拼接操作后输出的特征图分别输入给第一SEblock和第二SE block进行处理。

其中，第一SE block和第二SE block具有类似相同的结构，具体其结构以第一SEblock为例，可以参照图4，图4为本申请实施例中第一SE block的结构示意图，第一SEblock可以依次包括：

全局池化(Global pooling)层、全连接层、激活层(Relu)、全连接层、sigmoid层和scale层。图示中，C表示通道数，r为自设的一个参数，可以设置为16。

第一SE block处理的简要流程可以包括：从第四卷积层输出的C个通道的特征图，输入第一SE block后，先经过第一SE block右侧的各层最终计算得到该C个通道对应的C个权重W。之后，在scale层利用该权重W与原输入对应的各个通道的特征图进行乘积，输出加权后的特征图。

由上述可见，第一SE block和第二SE block用于根据损失函数学习特征权重，将特征图中有效的通道权重调大，无效或者效果小的通道权重调小，以使模型训练达到更好的结果，也即对网络中，对特征图的各个通道对应的权重进行分配和调整。比如网络中有64个通道，现有技术中，这些通道对网络的贡献是一样的，或者说权重是一样的，而如果加了SE block，就可以分配不同的权重来达到更优的结果。

需要强调的是，为进一步保证上述待识别语音和二分类的判别结果的私密和安全性，上述待识别语音和二分类的判别结果还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些可能的实现方式中，本申请实施例所提供的伪冒语音的识别方法可以应用在智慧医疗、智慧政务、智慧教育或科技金融等领域。例如，应用在智慧政务或科技金融中时，可以采用伪冒语音的识别方法对采集的语音进行身份识别验证，识别是否为真人语音，避免伪冒语音带来的系统安全漏洞。

与现有技术相比，本申请实施例主要有以下有益效果：

本方案中，在获取到待识别语音后，对该待识别语音进行STFT变换处理，得到处理后的待识别语音信号特征图。之后，将该待识别语音信号特征图输入目标DenseNet网络模型，从而输出该待识别语音为真实语音或伪冒语音的二分类判别结果。也即，本方案通过利用目标DenseNet网络模型进行语音识别工作，基于神经网络的自学习功能，提供了一种准确度高的自动识别伪冒语音的方法，减少ASV或者声纹系统安全漏洞的产生。

在本申请实施例的一些可选的实现方式中，具体参照图5，为本申请实施例提供的一种伪冒语音的识别方法的另一个实施例示意图：

基于图1所示实施例，在步骤103之前，上述的电子设备还可以执行对初始DenseNet网络的训练过程，并在训练结果达到预期目标时，得到目标DenseNet网络模型。具体该训练得到目标DenseNet网络模型的过程可以包括：

S501，获取真实语音数据集和伪冒语音数据集。

本实施例中，电子设备可以从外部设备获取真实语音数据集和伪冒语音数据集。其中，真实语音数据集可以包括直接采集的不同年龄、不同性别、不同地区和不同情绪等各种不同情况下采集的真人语音数据，而伪冒语音数据集则可以包括利用语音合成技术(文字到语音技术)得到的模仿真人的伪冒语音、语音转换得到的伪冒语音(语音到语音技术，用目标人的一段语音将任何非目标人的语音转换为目标人的语音)、利用部分真人语音和机器合成拼接得到的语音数据和二次或多次采集录音设备录音重放的真人语音等。

S502，利用STFT变换将真实语音数据集中的语音转换为第一类别语音信号特征图，将伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到包括第一类别语音信号特征图和第二类别语音信号特征图的第一语音信号特征图数据集。

本实施例中，电子设备利用STFT变换将上述得到的真实语音数据集中的语音转换为第一类别语音信号特征图，将伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到包括第一类别语音信号特征图和第二类别语音信号特征图的第一语音信号特征图数据集。其中，具体利用STFT变换的过程与图1所示实施例中步骤S102的处理方法类似，此处不再赘述。

需要说明的是，在得到第一类别语音信号特征图和第二类别语音信号特征图后，电子设备还需要响应用户的标注操作，为不同类别的语音信号特征图设置标签生成标签文件，并保存进第一语音信号特征图数据集中。标签设置为二分类形式，例如可以设置为0或1，0代表第一类别语音信号特征图，1代表第二类别语音信号特征图。

S503，利用第一语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对初始DenseNet网络各层的权重参数进行调整，直至损失函数小于小于预设值时，锁定初始DenseNet网络各层的权重参数以得到目标DenseNet网络模型。

本实施例中，在得到第一语音信号特征图数据集后，电子设备利用该第一语音信号特征图数据集对初始DenseNet网络进行训练，并且基于损失函数对初始DenseNet网络各层的权重参数进行调整，直至损失函数小于小于预设值时，锁定初始DenseNet网络各层的权重参数以得到目标DenseNet网络模型。

在一些可能的实现方式中，该损失函数为二分类的交叉墒损失函数。具体地，对于样本(x,y)来讲，x为样本,y为对应的标签，在二分类问题中，其取值的集合可能为{0，1}。假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的损失函数为：

log(yt︱yp)＝-(yt*log(yp)+(1-yt)log(1-yp))

与现有技术相比，本申请实施例主要有以下有益效果：

本方案中，通过获取不同年龄、不同性别、不同地区和不同情绪等各种不同情况下采集的真人语音数据集，和获取利用语音合成技术得到的模仿真人的伪冒语音、语音转换得到的伪冒语音、利用部分真人语音和机器合成拼接得到的语音数据和二次或多次采集录音设备录音重放的真人语音等的伪冒语音数据集，构建基于该真人语音数据集和该伪冒语音数据集的第一语音信号特征图数据集。之后，利用该第一语音信号特征图数据集对初始DenseNet网络训练，从而得到一种可以识别多种类型伪冒语音的目标DenseNet网络模型，增加了伪冒语音的识别范围。

在本申请实施例的一些可选的实现方式中，具体参照图6，为本申请实施例提供的一种伪冒语音的识别方法的另一个实施例示意图。

其中，图5所示实施例中，步骤S502之后，S503之前，该冒语音的识别方法可以包括：

S601，将第一语音信号特征图数据集中部分语音信号特征图的部分频率特征执行遮掩操作，以将第一语音信号特征图数据集转换为第二语音信号特征图数据集。

本实施例中，电子设备在得到第一语音信号特征图数据集后，可以对该第一语音信号特征图数据集中的一部分语音信号特征图的部分特征进行遮掩(mask)操作。具体的，可以将语音信号特征图特征的连续一部分全部重置成0，比如原始的语音信号特征图中频率维度为256维，范围从0到8000Hz，则可以随机选取256维中的30维置零，对于频率而言就是从0到8000Hz中一段的信息被抹去了，对于模型来说增加了数据的未知性，通过这样的方法，我们在网络没有使用随机失活(dropout)的情况下，大幅提升了网络的泛化性能，将网络识别的准确率进一步提升了30％左右。

步骤S503，利用第一语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对初始DenseNet网络各层的权重参数进行调整，直至损失函数小于小于预设值时，锁定初始DenseNet网络各层的权重参数以得到目标DenseNet网络模型，可以包括：

S602，利用第二语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对初始DenseNet网络各层的权重参数进行调整，直至损失函数小于小于预设值时，锁定初始DenseNet网络各层的权重参数以得到目标DenseNet网络模型。

需要说明的是，本实施例中步骤S602与图5所示实施例中步骤S503类似，此处不再赘述。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，通过特征遮掩的方法，对于模型来说增加了数据的未知性，大幅提升了网络的泛化性能，从而提高了目标DenseNet网络模型对未知的伪冒语音的识别能力。

下面具体参照图7A，图7A为本申请实施例提供的一种伪冒语音的识别设备的一个结构示意图，该识别设备可以包括：

第一获取模块701，用于获取待识别语音；

第一变换模块702，用于对该待识别语音进行STFT变换处理，将该待识别语音转换为待识别语音信号特征图；

处理模块703，用于将该待识别语音信号特征图输入目标DenseNet网络模型，输出该待识别语音为真实语音或伪冒语音的二分类判别结果。

进一步地，具体参照图7B，图7B为本申请实施例提供的一种伪冒语音的识别设备的又一个结构示意图，该伪冒语音的识别设备还可以包括：

第二获取模块704、第二变换模块705和训练模块706；

其中，第二获取模块704，用于获取真实语音数据集和伪冒语音数据集；

第二变换模块705，用于利用STFT变换将该真实语音数据集中的语音转换为第一类别语音信号特征图，将该伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到可以包括该第一类别语音信号特征图和该第二类别语音信号特征图的第一语音信号特征图数据集；

训练模块706，用于利用该第一语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对该初始DenseNet网络各层的权重参数进行调整，直至该损失函数小于小于预设值时，锁定该初始DenseNet网络各层的权重参数以得到该目标DenseNet网络模型。

进一步地，具体参照图7C，图7C为本申请实施例提供的一种伪冒语音的识别设备的又一个结构示意图，该伪冒语音的识别设备还可以包括：

编辑模块707，用于将该第一语音信号特征图数据集中部分语音信号特征图的部分频率特征执行遮掩操作，以将该第一语音信号特征图数据集转换为第二语音信号特征图数据集；

训练模块706，还具体用于利用该第二语音信号特征图数据集训练初始DenseNet网络。

进一步地，该目标DenseNet网络模型依次可以包括第一卷积层、第一通道伸缩模块、第一过渡层、第二通道伸缩模块、第二过渡层、第三通道伸缩模块、第一全连接层和第二全连接层，该第一卷积层、该第一通道伸缩模块、该第一过渡层、该第二通道伸缩模块、该第二过渡层和该第三通道伸缩模块用于按照顺序依次提取该待识别语音信号特征图的特征并输出第一特征图，该第一全连接层和该第二全连接层用于进一步提取该第一特征图的特征，并根据提取的特征输出二分类的判别结果。

进一步地，该第一通道伸缩模块、该第二通道伸缩模块和该第三通道伸缩模块均分别可以包括4个上层结构和4个下层结构，该上层结构依次可以包括第二卷积层、4个并列的第三卷积层、第四卷积层和第一SE block，该下层结构依次可以包括第五卷积层、4个并列的第六卷积层、第七卷积层和第二SE block。

进一步地，该第二卷积层、该第四卷积层、该第五卷积层和该第七卷积层均为核大小为1×1的卷积层，该第二卷积层和该第五卷积层用于减少输入的特征图的通道数，该第四卷积层用于对4个该第三卷积层输出的特征图进行拼接操作并输入该第一SE block进行处理，该第七卷积层用于对4个该第六卷积层输出的特征图进行拼接操作并输入该第二SEblock进行处理，该第一SE block用于为该第四卷积层输入的各个特征图按照通道分配对应的权重，该第二SE block用于为该第七卷积层输入的各个特征图按照通道分配对应的权重。

进一步地，第一变换模块702，具体用于对该待识别语音进行分帧和加窗操作之后，进行STFT变换处理。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。

所述计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有组件81-83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器81至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器81可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器81也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器81通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如用于实现图1、5或6所示实施例中一种伪冒语音的识别方法任一步骤的计算机可读指令等。此外，所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器82在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器82用于运行所述存储器81中存储的计算机可读指令或者处理数据，例如运行所述图1、5或6所示实施例中一种伪冒语音的识别方法的计算机可读指令。

所述网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。

本申请实施例中，通过在该计算机设备8上的处理器82执行图1、5或6所示实施例中一种伪冒语音的识别方法的计算机可读指令，从而提供了一种基于神经网络自动识别伪冒语音的方法

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的1、5或6所示实施例中一种伪冒语音的识别方法的步骤。

本申请实施例中，通过在该计算机可读存储介质存储计算机可读指令，使得该计算机可读指令被至少一个处理器执行时，实现图1、5或6所示实施例中一种伪冒语音的识别方法，从而提供了一种基于神经网络自动识别伪冒语音的方法

此外，需要说明的是，本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的识别方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种伪冒语音的识别方法，其特征在于，所述识别方法包括：

获取待识别语音；

对所述待识别语音进行STFT变换处理，将所述待识别语音转换为待识别语音信号特征图；

将所述待识别语音信号特征图输入目标DenseNet网络模型，输出所述待识别语音为真实语音或伪冒语音的二分类判别结果。

2.根据权利要求1所述的识别方法，其特征在于，所述将所述待识别语音信号特征图输入目标DenseNet网络模型之前，所述识别方法还包括：

获取真实语音数据集和伪冒语音数据集；

利用STFT变换将所述真实语音数据集中的语音转换为第一类别语音信号特征图，将所述伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到包括所述第一类别语音信号特征图和所述第二类别语音信号特征图的第一语音信号特征图数据集；

利用所述第一语音信号特征图数据集训练初始DenseNet网络，并基于损失函数对所述初始DenseNet网络各层的权重参数进行调整，直至所述损失函数小于预设值时，锁定所述初始DenseNet网络各层的权重参数以得到所述目标DenseNet网络模型。

3.根据权利要求2所述的识别方法，其特征在于，所述利用STFT变换将所述真实语音数据集中的语音转换为第一类别语音信号特征图，将所述伪冒语音数据集中的语音转换为第二类别语音信号特征图，以得到包括所述第一类别语音信号特征图和所述第二类别语音信号特征图的第一语音信号特征图数据集之后，所述识别方法还包括：

将所述第一语音信号特征图数据集中部分语音信号特征图的部分频率特征执行遮掩操作，以将所述第一语音信号特征图数据集转换为第二语音信号特征图数据集；

所述利用所述第一语音信号特征图数据集训练初始DenseNet网络，包括：

利用所述第二语音信号特征图数据集训练初始DenseNet网络。

4.根据权利要求1至3中任一项所述的识别方法，其特征在于，所述目标DenseNet网络模型依次包括第一卷积层、第一通道伸缩模块、第一过渡层、第二通道伸缩模块、第二过渡层、第三通道伸缩模块、第一全连接层和第二全连接层，所述第一卷积层、所述第一通道伸缩模块、所述第一过渡层、所述第二通道伸缩模块、所述第二过渡层和所述第三通道伸缩模块用于按照顺序依次提取所述待识别语音信号特征图的特征并输出第一特征图，所述第一全连接层和所述第二全连接层用于进一步提取所述第一特征图的特征，并根据提取的特征输出二分类的判别结果。

5.根据权利要求4所述的识别方法，其特征在于，所述第一通道伸缩模块、所述第二通道伸缩模块和所述第三通道伸缩模块均分别包括4个上层结构和4个下层结构，所述上层结构依次包括第二卷积层、4个并列的第三卷积层、第四卷积层和第一SE block，所述下层结构依次包括第五卷积层、4个并列的第六卷积层、第七卷积层和第二SE block。

6.根据权利要求5所述的识别方法，其特征在于，所述第二卷积层、所述第四卷积层、所述第五卷积层和所述第七卷积层均为核大小为1×1的卷积层，所述第二卷积层和所述第五卷积层用于减少输入的特征图的通道数，所述第四卷积层用于对4个所述第三卷积层输出的特征图进行拼接操作并输入所述第一SE block进行处理，所述第七卷积层用于对4个所述第六卷积层输出的特征图进行拼接操作并输入所述第二SE block进行处理，所述第一SEblock用于为所述第四卷积层输入的各个特征图按照通道分配对应的权重，所述第二SEblock用于为所述第七卷积层输入的各个特征图按照通道分配对应的权重。

7.根据权利要求1至3中任一项所述的识别方法，其特征在于，所述对所述待识别语音进行STFT变换处理，包括：

对所述待识别语音进行分帧和加窗操作之后，进行STFT变换处理。

8.一种伪冒语音的识别设备，其特征在于，所述识别设备包括：

第一获取模块，用于获取待识别语音；

第一变换模块，用于对所述待识别语音进行STFT变换处理，将所述待识别语音转换为待识别语音信号特征图；

处理模块，用于将所述待识别语音信号特征图输入目标DenseNet网络模型，输出所述待识别语音为真实语音或伪冒语音的二分类判别结果。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的伪冒语音的识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的伪冒语音的识别方法的步骤。

Images