摘要

近年来，说话人验证系统已被广泛应用于多种实际场景。然而，这些系统仍极易受到各类欺骗攻击的影响，例如语音合成攻击、重放攻击等。尽管研究人员已提出多种防御方法，但现有方法大多仅关注语音特征本身。近期研究表明，语音中蕴含着丰富的面部信息，事实上，仅通过语音即可推断说话人的性别、年龄、口型等特征。这些信息有助于有效区分欺骗攻击。受此现象启发，本文提出一种通用框架——GACMNet。为应对不同的攻击场景，我们构建了两种不同的模型实例。该框架主要分为数据预处理、特征提取、特征融合与分类四个阶段。具体而言，框架包含两条并行分支：一方面，利用卷积神经网络从语音中提取面部特征；另一方面，采用密集连接网络提取语音特征。此外，我们设计了一种基于全局注意力机制的信息融合方法，以有效区分各特征部分的重要性。实验结果表明，该方法在两个大规模场景下均表现出显著性能提升。在逻辑访问场景中，相较于现有方法，本模型在联合决策代价函数（t-DCF）和等错误率（EER）指标上分别提升了9%和11%；在物理访问场景中，EER指标提升了10%。实验验证了所提方法的有效性与鲁棒性。