摘要

语音诈骗（vishing）因其语音合成技术的发展而日益盛行。特别是，利用深度学习生成任意内容、模拟受害者声音的音频片段，使得人类难以辨别，甚至对自动说话人验证（ASV）系统也构成严峻挑战。为应对这一威胁，近年来已开发出多种对抗性检测（Countermeasure, CM）系统，以增强ASV系统对合成语音的识别能力。本文提出一种名为BTS-E的框架，用于评估音频片段中呼吸声、说话声与静默声之间的相关性，并利用该信息开展深度伪造语音检测任务。我们认为，自然的人类声音特征（如呼吸声）难以通过文本转语音（TTS）系统精确合成。为此，我们在ASVspoof 2019与2021评测数据集上开展了大规模实验，验证了该假设。实验结果表明，呼吸声特征在深度伪造语音检测中具有显著的适用性。总体而言，所提出的系统可使分类器性能提升高达46%。