CN116705078B - 基于原始音频波形的端到端的语音伪装情绪检测方法及装置 - Google Patents
基于原始音频波形的端到端的语音伪装情绪检测方法及装置 Download PDFInfo
- Publication number
- CN116705078B CN116705078B CN202310961492.XA CN202310961492A CN116705078B CN 116705078 B CN116705078 B CN 116705078B CN 202310961492 A CN202310961492 A CN 202310961492A CN 116705078 B CN116705078 B CN 116705078B
- Authority
- CN
- China
- Prior art keywords
- voice
- detected
- layer
- level embedded
- emotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 230000008451 emotion Effects 0.000 title claims abstract description 66
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000004931 aggregating effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Hospice & Palliative Care (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开涉及一种基于原始音频波形的端到端的语音伪装情绪检测方法及装置，所述方法包括：将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征；将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；使用预设语音检测模型这种原始音频波形的端到端模型，并应用对抗式训练的方法，即添加伪装情绪的语音，能够提高对语音伪装情绪的检测能力，以应对伪造情绪带来的社会危害。
Description
技术领域
本公开涉及语音技术领域，尤其涉及一种基于原始音频波形的端到端的语音伪装情绪检测方法及装置。
背景技术
深度学习技术在最近几年取得了很大进展，也促进了很多音频转换技术的研究。情感语音转换是一种将语音的情感状态从源情感转换为目标情感的语音转换技术。情感转换技术的发展大大降低了对语音的情绪进行伪造的门槛。
以往的虚假语音检测技术是对语音的内容、说话人的身份和场景的篡改进行检测，并没有考虑语音伪装情绪的情况，即使用情感语音转换等技术对原始音频的情感进行篡改，使篡改后的音频在保持内容和说话人风格不变的前提下展现出另一种情感。
语音情感的篡改对社会危害极大，比如，恶意篡改嫌疑人的语音证据中的情绪，甚至使关键证物无效。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种基于原始音频波形的端到端的语音伪装情绪检测方法及装置。
第一方面，本公开的实施例提供了一种基于原始音频波形的端到端的语音伪装情绪检测方法，包括：
将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，包括：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征。
在一种可能的实施方式中，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
，其中，/>为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
在一种可能的实施方式中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征，包括：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
在一种可能的实施方式中，所述将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征，包括：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
在一种可能的实施方式中，所述根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果，包括：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
第二方面，本公开的实施例提供了一种基于原始音频波形的端到端的语音伪装情绪检测装置，包括：
第一输入模块，用于将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
第二输入模块，用于将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
聚合模块，用于将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
确定模块，用于根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述第一输入模块还用于：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征。
在一种可能的实施方式中，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
，其中，/>为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
在一种可能的实施方式中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，所述第二输入模块还用于：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
在一种可能的实施方式中，所述聚合模块还用于：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
在一种可能的实施方式中，所述确定模块还用于：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
第三方面，本公开的实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和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，实现上述的基于原始音频波形的端到端的语音伪装情绪检测方法。
第四方面，本公开的实施例提供了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上述的基于原始音频波形的端到端的语音伪装情绪检测方法。
本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：
本公开实施例所述的基于原始音频波形的端到端的语音伪装情绪检测方法，将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征；将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；使用预设语音检测模型这种原始音频波形的端到端模型，并应用对抗式训练的方法，即添加伪装情绪的语音，能够提高对语音伪装情绪的检测能力，以应对伪造情绪带来的社会危害。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本公开实施例的基于原始音频波形的端到端的语音伪装情绪检测方法流程示意图；
图2示意性示出了根据本公开实施例的基于原始音频波形的端到端的语音伪装情绪检测装置的结构框图；
图3示意性示出了根据本公开实施例的电子设备的结构框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
参见图1，本公开的实施例提供了一种基于原始音频波形的端到端的语音伪装情绪检测方法，包括：
S1，将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到。
S2，将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征。
在本实施例，步骤S1和S2中，所述可学习前端可以包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块可以包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
在本实施例中，批量样本的归一化层使模型更容易学到数据分布，从而加快收敛速度，激活函数可以为LeakyReLU函数，能够解决梯度消失问题，并规避relu会出现的Deadrelu问题，最大池化层能够缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性。
在本实施例，步骤S1中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，包括：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征，其中，滤波结果具有与输入波形相同的时间分辨率。
在本实施例中，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
，其中，/>为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
S3，将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
S4，根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果。
本公开使用预设语音检测模型的可学习前端，所述可学习前端包括三个组件（过滤、池化、压缩/规范化），且仅由几百个参数控制。通过使用可学习前端，端到端的神经网络进一步提高了检测语音伪装情绪的能力。
在本实施例中，预设语音检测模型的网络结构如下表1所示。
表1
在表1中，预设语音检测模型仅包括一个残差块，在一些实施例中，预设语音检测模型包括6个依次连接的残差块，其中，4个残差块与表1中的一样，2个残差块与表1中的相比，可以省去1个归一化层&非线性激活函数和1个卷积层。
表1的由Gabor 滤波器组成的1维卷积层中，Gabor 滤波器是通过用正弦信号调制高斯核而产生的。首先，它在时间和频率定位之间有一个最佳权衡，这使它们成为具有有限大小滤波器的卷积网络的合适选择。其次，Gabor 滤波器的时间和频率响应具有相同的函数形式，使得其为可解释的带通滤波器。最后，Gabor 滤波器是准解析的（即，它们的频率响应对于负频率几乎为零），当与平方模组合时，生成的滤波器组可以解释为一组子带希尔伯特包络（subband Hilbert envelopes），它们对小的偏移是不变的。
FMS（Filter-wise feature Map Scaling，按照滤波器对特征图缩放）使用一个尺度向量，其维度与使用非线性激活函数（可以是sigmoid激活函数）导出的值介于0和1之间的过滤器的数量相同，其目的是对特征进行缩放，独立修改给定特征图的比例，以获得更具辨别力的表示，具有1024个隐藏节点的门控循环单元层用于将帧级表示聚合为单个话语级表示。门控循环单元层输出后跟一个额外的全连接层，位于输出层之前，然后，输出层应用softmax激活函数以产生两类预测：真实或伪装。
在本实施例中，FMS能够对处理后的深度声学特征进行缩放，独立缩放特征图的每个过滤器，独立修改给定特征图的比例，即残差块的输出，以获得更具辨别力的表示。
可学习前端使用Gabor过滤器参数化了一个复值过滤层，Gabor滤波器在时间和频率上进行了最佳定位，可学习前端的第二步是将滤波器组的输出下采样到较低的采样率，在使用的可学习前端中，以两种方式扩展池化层。首先，通过深度卷积实现低通滤波，每个输入通道都与一个低通滤波器相关联，因为，可学习前端中的每个通道都具有不同的带宽，并且可以为每个通道学习特定的低通滤波器。其次，将这些低通滤波器参数化以获得高斯脉冲响应：
，其中，/>为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
通过这种选择，可以学习每通道低通池化函数，同时仅向前端模型添加N个参数。Per-Channel Energy Normalization（PCEN，每通道能量归一化层）被提议作为对数压缩和均值方差归一化的可学习替代方案：
，其中，F(t, n)为对平方模计算结果进行高斯低通滤波的滤波结果，M(t, n)为每一个特征维度的累积平均值，δn和rn为超参数。
在本实施例中，预设语音检测模型可以使用0.0001的学习率，批数据大小（batchsize）为128，选用adam优化器训练了200个轮次。通过裁剪长话语或连接短话语使所有话语具有相同的长度，将原始波形输入的持续时间固定为≈4秒（64000 个样本）。
在本实施例，步骤S2中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征，包括：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
在本实施例，步骤S3中，所述将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征，包括：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
在本实施例，步骤S4中，所述根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果，包括：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
本公开中使用的基于原始音频波形的端到端的语音伪装情绪检测方法采用基于原始音频波形的端到端神经网络，直接把原始波形作为输入，无需数据预处理技术，随着可用数据量的增加，通过使用更多隐藏层代替声学特征提取，直接从原始波形中提取的说话人嵌入有望产生更具辨别力的表示，输出语音中情绪真伪二分类结果，达到对语音中的伪装情绪进行细微鉴别的效果。
参见图2，本公开的实施例提供了一种基于原始音频波形的端到端的语音伪装情绪检测装置，包括：
第一输入模块11，用于将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
第二输入模块12，用于将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
聚合模块13，用于将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
确定模块14，用于根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
在一种可能的实施方式中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述第一输入模块还用于：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征。
在一种可能的实施方式中，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
，其中，/>为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
在一种可能的实施方式中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，所述第二输入模块还用于：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
在一种可能的实施方式中，所述聚合模块还用于：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
在一种可能的实施方式中，所述确定模块还用于：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例中，第一输入模块11、第二输入模块12、聚合模块13和确定模块14中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。第一输入模块11、第二输入模块12、聚合模块13和确定模块14中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一输入模块11、第二输入模块12、聚合模块13和确定模块14中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
参见图3，本公开的实施例提供的电子设备，包括处理器1110、通信接口1120、存储器1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信；
存储器1130，用于存放计算机程序；
处理器1110，用于执行存储器1130上所存放的程序时，实现如下所示基于原始音频波形的端到端的语音伪装情绪检测方法：
将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果。
上述的通信总线1140可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
上述的处理器1110可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本公开的实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的基于原始音频波形的端到端的语音伪装情绪检测方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于原始音频波形的端到端的语音伪装情绪检测方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种基于原始音频波形的端到端的语音伪装情绪检测方法，其特征在于，所述方法包括：
将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果，
其中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，包括：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征，
其中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征，包括：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
2.根据权利要求1所述的方法，其特征在于，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
3.根据权利要求1所述的方法，其特征在于，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
其中，为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
4.根据权利要求1所述的方法，其特征在于，所述将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征，包括：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
5.根据权利要求1所述的方法，其特征在于，所述根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果，包括：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
6.一种基于原始音频波形的端到端的语音伪装情绪检测装置，其特征在于，包括：
第一输入模块，用于将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，其中，所述预设语音检测模型通过指定的原始音频和与其对应的伪装情绪后的音频训练得到；
第二输入模块，用于将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征；
聚合模块，用于将待检测语音的帧级嵌入特征聚合为待检测语音的单个话语级嵌入特征；
确定模块，用于根据待检测语音的单个话语级嵌入特征确定待检测语音中的情绪为真实或伪装的检测结果，
其中，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述将接收的待检测语音的音频波形输入预设语音检测模型的可学习前端，输出待检测语音的深度声学特征，包括：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征，
其中，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，将待检测语音的深度声学特征输入预设语音检测模型的残差块，输出待检测语音的帧级嵌入特征，包括：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
7.根据权利要求6所述的装置，其特征在于，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层。
8.根据权利要求6所述的装置，其特征在于，所述可学习前端包括依次连接的Gabor滤波器组成的1维卷积层、与1维卷积层组合的平方模、高斯滤波层和每通道能量归一化层，所述第一输入模块还用于：
将接收的待检测语音的音频波形输入Gabor滤波器组成的1维卷积层，Gabor滤波器的脉冲响应与音频波形进行卷积并对卷积结果进行平方模计算；
对平方模计算结果进行高斯低通滤波，并对滤波结果进行对数压缩和均值方差归一化处理，得到待检测语音的深度声学特征。
9.根据权利要求8所述的装置，其特征在于，通过以下表达式，脉冲响应通过Gabor滤波器参数化得到：
其中，为脉冲响应，t为时间变量，W为带宽参数，/>为滤波器参数。
10.根据权利要求6所述的装置，其特征在于，所述残差块包括批量样本的归一化层、激活函数层、卷积层和最大池化层，所述第二输入模块还用于：
对待检测语音的深度声学特征进行归一化、激活操作、卷积计算和最大池化处理，并对处理后的深度声学特征进行缩放，输出待检测语音的帧级嵌入特征。
11.根据权利要求6所述的装置，其特征在于，所述聚合模块还用于：
将待检测语音的帧级嵌入特征输入预设语音检测模型的门控循环单元层，输出待检测语音的单个话语级嵌入特征。
12.根据权利要求6所述的装置，其特征在于，所述确定模块还用于：
将待检测语音的单个话语级嵌入特征输入预设语音检测模型的全连接层，输出待检测语音中的情绪为真实或伪装的检测结果。
13.一种电子设备，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、通信接口和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中任一项所述的基于原始音频波形的端到端的语音伪装情绪检测方法。
14.一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权利要求1-5中任一项所述的基于原始音频波形的端到端的语音伪装情绪检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310961492.XA CN116705078B (zh) | 2023-08-02 | 2023-08-02 | 基于原始音频波形的端到端的语音伪装情绪检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310961492.XA CN116705078B (zh) | 2023-08-02 | 2023-08-02 | 基于原始音频波形的端到端的语音伪装情绪检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705078A CN116705078A (zh) | 2023-09-05 |
| CN116705078B true CN116705078B (zh) | 2023-11-28 |
Family
ID=87824261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310961492.XA Active CN116705078B (zh) | 2023-08-02 | 2023-08-02 | 基于原始音频波形的端到端的语音伪装情绪检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705078B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115273881A (zh) * | 2022-07-13 | 2022-11-01 | 广州伏羲智能科技有限公司 | 一种可学习参数的声谱图生成的方法及其系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320735A (zh) * | 2018-01-23 | 2018-07-24 | 北京易智能科技有限公司 | 一种多数据融合的情感识别方法及系统 |
| CN110838288A (zh) * | 2019-11-26 | 2020-02-25 | 杭州博拉哲科技有限公司 | 一种语音交互方法及其系统和对话设备 |
| CN111695571A (zh) * | 2020-06-23 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 公证文件核验方法、装置、计算机设备及存储介质 |
| CN112560811A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 端到端的音视频抑郁症自动检测研究方法 |
| CN113409771A (zh) * | 2021-05-25 | 2021-09-17 | 合肥讯飞数码科技有限公司 | 一种伪造音频的检测方法及其检测系统和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346436B (zh) * | 2017-08-22 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 语音情感检测方法、装置、计算机设备及存储介质 |
| US20220138472A1 (en) * | 2020-10-30 | 2022-05-05 | University Of Maryland, College Park | System and Method for Detecting Fabricated Videos |
-
2023
- 2023-08-02 CN CN202310961492.XA patent/CN116705078B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320735A (zh) * | 2018-01-23 | 2018-07-24 | 北京易智能科技有限公司 | 一种多数据融合的情感识别方法及系统 |
| CN110838288A (zh) * | 2019-11-26 | 2020-02-25 | 杭州博拉哲科技有限公司 | 一种语音交互方法及其系统和对话设备 |
| CN111695571A (zh) * | 2020-06-23 | 2020-09-22 | 深圳壹账通智能科技有限公司 | 公证文件核验方法、装置、计算机设备及存储介质 |
| CN112560811A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 端到端的音视频抑郁症自动检测研究方法 |
| CN113409771A (zh) * | 2021-05-25 | 2021-09-17 | 合肥讯飞数码科技有限公司 | 一种伪造音频的检测方法及其检测系统和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Survey on discriminative feature selection for speech emotion recognition;Xin Xu 等;《 The 9th International Symposium on Chinese Spoken Language Processing》;全文 * |
| 基于全局-时频注意力网络的语音伪造检测;王成龙 等;计算机研究与发展;第58卷(第07期);全文 * |
| 基于深度学习的语音情感识别研究;汪炳元;《中国优秀硕士论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705078A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Raw waveform-based audio classification using sample-level CNN architectures | |
| US10540988B2 (en) | Method and apparatus for sound event detection robust to frequency change | |
| CN112949708B (zh) | 情绪识别方法、装置、计算机设备和存储介质 | |
| CN116705078B (zh) | 基于原始音频波形的端到端的语音伪装情绪检测方法及装置 | |
| CN110797031A (zh) | 语音变音检测方法、系统、移动终端及存储介质 | |
| CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
| CN110265035B (zh) | 一种基于深度学习的说话人识别方法 | |
| CN113362822B (zh) | 一种具有听觉隐蔽性的黑盒语音对抗样本生成方法 | |
| Aravind et al. | Audio spoofing verification using deep convolutional neural networks by transfer learning | |
| CN112767927A (zh) | 一种提取语音特征的方法、装置、终端及存储介质 | |
| CN111798828A (zh) | 合成音频检测方法、系统、移动终端及存储介质 | |
| CN114495950A (zh) | 一种基于深度残差收缩网络的语音欺骗检测方法 | |
| CN111357051A (zh) | 语音情感识别方法、智能装置和计算机可读存储介质 | |
| CN111680642A (zh) | 一种地形分类方法及装置 | |
| CN115457975A (zh) | 婴儿哭声和咳嗽声检测方法、装置、存储介质及终端设备 | |
| CN112908344A (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| CN116488942A (zh) | 一种面向智能声纹识别系统的后门安全性评估方法 | |
| Li et al. | Learning normality is enough: a software-based mitigation against inaudible voice attacks | |
| CN113299298B (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
| CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN111916059B (zh) | 一种基于深度学习的平滑语音检测方法、装置及智能设备 | |
| CN116386664A (zh) | 一种语音伪造检测方法、装置、系统及存储介质 | |
| CN116469396A (zh) | 基于时频域掩蔽效应的跨域语音鉴伪方法和系统 | |
| CN114048770B (zh) | 面向数字音频删除和插入篡改操作自动检测方法及系统 | |
| CN114937454A (zh) | 一种声纹识别防语音合成攻击的方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |