摘要

Transformer及其变体在语音处理领域取得了显著成功，但其多头自注意力机制计算开销较大。为此，一种新型的选择性状态空间模型——Mamba应运而生，成为潜在替代方案。基于其在自动语音识别任务中的优异表现，本文将其应用于语音欺骗攻击检测。Mamba特别适合该任务，因其能够有效处理长序列数据，从而捕捉伪造语音信号中的异常特征。然而，在标注数据有限的情况下，Mamba的性能可能受到制约。为缓解这一问题，本文提出一种基于双通道架构的新型Mamba结构，并结合自监督学习策略，利用预训练的wav2vec 2.0模型进行知识迁移。实验结果表明，所提出的方法在ASVspoof 2021 LA和DF数据集上均取得了具有竞争力的性能，并实现了更快的推理速度；在更具挑战性的In-the-Wild数据集上，该方法更是展现出最强的检测能力，成为当前最优的语音欺骗攻击检测方案。相关代码已公开发布于：https://github.com/swagshaw/XLSR-Mamba。