[go: up one dir, main page]

TWI878975B - 語音辨識裝置及方法 - Google Patents

語音辨識裝置及方法 Download PDF

Info

Publication number
TWI878975B
TWI878975B TW112126111A TW112126111A TWI878975B TW I878975 B TWI878975 B TW I878975B TW 112126111 A TW112126111 A TW 112126111A TW 112126111 A TW112126111 A TW 112126111A TW I878975 B TWI878975 B TW I878975B
Authority
TW
Taiwan
Prior art keywords
voice
speech
input
circuit
audio signal
Prior art date
Application number
TW112126111A
Other languages
English (en)
Other versions
TW202503737A (zh
Inventor
吳鎧丞
Original Assignee
新唐科技股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 新唐科技股份有限公司 filed Critical 新唐科技股份有限公司
Priority to TW112126111A priority Critical patent/TWI878975B/zh
Priority to CN202410860316.1A priority patent/CN119314491A/zh
Publication of TW202503737A publication Critical patent/TW202503737A/zh
Application granted granted Critical
Publication of TWI878975B publication Critical patent/TWI878975B/zh

Links

Images

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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Lock And Its Accessories (AREA)
  • Telephonic Communication Services (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

一種語音辨識裝置，包括一攻擊防禦模組以及一語者驗證模組。攻擊防禦模組具有一第一深層學習模型。第一深層學習模型判別第一輸入語音是為真語音或是假語音。當第一輸入語音係為真語音時，攻擊防禦模組輸出一第二輸入語音。語者驗證模組具有一第二深層學習模型。第二深層學習模型處理第二輸入語音，用以產生一語音特徵。語者驗證模組根據語音特徵，判斷第一輸入語音是否來自一合法人員。當第一輸入語音是否來自一合法人員時，語者驗證模組進行一特定動作。當第一輸入語音並非來自一合法人員時，語者驗證模組不進行特定動作。

Description

語音辨識裝置及方法
本發明是關於一種語音辨識裝置，特別是關於一種具有攻擊防禦能力的語音辨識裝置。
以主打安全性的智慧門禁系統來說，為了達到更高層級的安全防護，可能需要通過層層系統(如臉部、指紋加上語音的辨識)才能進入室內。然而，這樣的系統造成龐大的功耗，成本造價上會提升非常多。
再者，隨著科技的快速發展，一些惡意攻擊方式的技術同時也得到了更大的進展。以語音攻擊為例，就包含了語音合成、預錄音撥放、甚至是虛假音頻生成等等方式。如果沒有經常更新攻擊方式，就如同時時刻刻曝露在風險下。
本發明之一實施例提供一種語音辨識裝置，包括一攻擊防禦模組以及一語者驗證模組。攻擊防禦模組用以濾除一假語 音，並包括一處理電路以及一推測電路。處理電路處理一第一輸入語音，用以產生一音頻信號。推測電路接收音頻信號，並利用一第一深層學習模型處理該音頻信號，用以判別第一輸入語音是為真語音或是假語音。當第一輸入語音係為真語音時，推測電路輸出一第二輸入語音。語者驗證模組包括一特徵擷取電路、一比對電路以及一決策電路。特徵擷取電路利用一第二深層學習模型處理第二輸入語音，用以產生一語音特徵。比對電路將語音特徵與至少一預設特徵進行比對，用以產生一比對結果。決策電路判斷比對結果是否大於一閥值。當比對結果大於閥值時，決策電路進行一特定動作。當比對結果未大於閥值時，決策電路不進行特定動作。
本發明另提供一種語音辨識方法，包括接收並處理一輸入語音，用以產生一音頻信號；利用一第一深層學習模型處理音頻信號，用以判別輸入語音是為一真語音或是一假語音；當輸入語音係為真語音時，利用一第二深層學習模型處理輸入語音，用以產生一語音特徵；比對語音特徵與至少一預設特徵，用以產生一比對結果；判斷比對結果是否大於一閥值；當比對結果大於閥值時，進行一特定動作；以及當比對結果未大於閥值時，不進行特定動作。
本發明之語音辨識方法可經由本發明之語音辨識裝置來實作，其為可執行特定功能之硬體或韌體，亦可以透過程式碼方式收錄於一紀錄媒體中，並結合特定硬體來實作。當程式碼被電子裝置、處理器、電腦或機器載入且執行時，電子裝置、處理器、電腦或機器變成用以實行本發明之攻擊防禦模組以及語者驗證模 組。
100:語音辨識裝置
110:攻擊防禦模組
120:語者驗證模組
130:接收電路
SP_IN1~SP_IN3:輸入語音
SP_RL:真語音
SP_SF:假語音
ST:觸發信號
210:處理電路
220:推測電路
ADS_1~ADS_3:音頻信號
230、350:輸入輸出埠
DA_1、DA_2:更新資料
221、311:深層學習模型
310:特徵擷取電路
330:比對電路
340:決策電路
SP_EM:語音特徵
S_CM:比對結果
SP_PR:預設特徵
S611~S619:步驟
第1圖為本發明之語音辨識裝置的示意圖。
第2圖為本發明之攻擊防禦模組的示意圖。
第3A圖為本發明之語者驗證模組的示意圖。
第3B圖為本發明之語者驗證模組的另一示意圖。
第4圖為本發明之攻擊防禦操作的示意圖。
第5圖為本發明之語者驗證操作的示意圖。
第6圖為本發明之語音辨識方法的流程示意圖。
為讓本發明之目的、特徵和優點能更明顯易懂，下文特舉出實施例，並配合所附圖式，做詳細之說明。本發明說明書提供不同的實施例來說明本發明不同實施方式的技術特徵。其中，實施例中的各元件之配置係為說明之用，並非用以限制本發明。另外，實施例中圖式標號之部分重覆，係為了簡化說明，並非意指不同實施例之間的關聯性。
第1圖為本發明之語音辨識裝置的示意圖。如圖所示，語音辨識裝置100包括一攻擊防禦模組110以及一語者驗證模組120。在一可能實施例中，語音辨識裝置100係為一門禁語音辨識系 統。在此例中，語音辨識裝置100先判斷一輸入語音SP_IN1是否為一真語音(real speech)。如果輸入語音SP_IN1並非一真語音，例如輸入語音SP_IN1為一假語音(spoof speech)，語音辨識裝置100忽略輸入語音SP_IN1。如果輸入語音SP_IN1係為一真語音，語音辨識裝置100再判斷輸入語音SP_IN1是否符合已註冊的預設語音。若是，表示發出輸入語音SP_IN1的人員為合法人員。因此，語音辨識裝置100根據輸入語音SP_IN1執行一特定動作，如開門。倘若輸入語音SP_IN1不符合已註冊的預設語音，表示發出輸入語音SP_IN1的人員為不合法人員。因此，語音辨識裝置100不執行特定動作。在一些實施例中，雖然語音辨識裝置100不執行特定動作，但語音辨識裝置100執行一警示動作，如發出一警示聲，通知相關人員，有人試圖進入室內。
在一可能實施例中，語音辨識裝置100更包括一接收電路130。接收電路130接收一外部語音。外部語音可能是一真語音SP_RL或是一假語音SP_SF。不論外部語音是真語音SP_RL或是假語音SP_SF，接收電路130將外部語音作為輸入語音SP_IN1，並提供輸入語音SP_IN1予攻擊防禦模組110。在一些實施例中，接收電路130具有一麥克風。本發明並不限定接收電路130的架構。在一可能實施例中，接收電路130係為一錄音器(recorder)。
攻擊防禦模組110接收輸入語音SP_IN1，並判斷輸入語音SP_IN1的種類。當輸入語音SP_IN1為一真語音時，攻擊防禦模組110根據輸入語音SP_IN1，提供一輸入語音SP_IN2。在 一些實施例中，攻擊防禦模組110直接將輸入語音SP_IN1作為輸入語音SP_IN2。當輸入語音SP_IN1為一假語音時，攻擊防禦模組110停止提供輸入語音SP_IN2。
在一可能實施例中，真語音係為一活體(如使用者)所發出的語音，假語音係由一語音生成器所產生的語音。該語音生成器可能利用一語音合成方式、一預錄音撥放方式或是一虛假音頻生成方式，產生一假語音。有心人士可能靠近接收電路130，再播放出假語音。在此例中，雖然假語音也是由活體所發出，但並非活體親自直接對著接收電路130直接講出的語音。因此，只要不是活體親自對著接收電路130講出的語音，均稱為假語音。在其它實施例中，語音生成器可能擷取活體的部分語音，再重新排列，甚至利用人類聽力的上下限，模擬出一攻擊語音(即假語音)。因此，只要是播放出來的語音，均稱為假語音。
在本實施例中，攻擊防禦模組110具有一第一深層學習模型(deep learning model)。第一深層學習模型的參數(parameter)係由一外部裝置提供。該外部裝置執行真語音及假語音的訓練(training)，再將訓練後的參數寫入攻擊防禦模組110的第一深層學習模型中。因此，攻擊防禦模組110具有分辨輸入語音SP_IN1為一假語音或是一真語音的能力。在此例中，外部裝置可能定時或不時更新第一深層學習模型的參數，使得語音辨識裝置100更強健更有效地抵擋新型假語音的攻擊。當新型的攻擊出現時，外部裝置根據攻擊資料進行訓練，再利用訓練後的參數更新第 一深層學習模型的參數。第一深層學習模型便可分辨出新型的攻擊語音。
在一些實施例中，攻擊防禦模組110進行一機器學習(machine learning)，用以分辨出先進的語音合成。攻擊防禦模組110可能對虛假音頻生成器所產生的攻擊語音以及真實的人聲語音進行訓練，再將訓練所產生的參數寫入第一深層學習模型中，便可分辨出真語音以及假設音，並阻擋惡意攻擊語音。
語者驗證模組120接收輸入語音SP_IN2，並判斷輸入語音SP_IN2是否為已註冊的使用者的聲音。如果輸入語音SP_IN2為已註冊的使用者的聲音，語者驗證模組120執行一特定動作。在一可能實施例中，語者驗證模組120致能一觸發信號ST，用以打開門鎖。如果輸入語音SP_IN2並非已註冊的使用者的聲音，語者驗證模組120不執行一特定動作。舉例而言，語者驗證模組120可能不致能觸發信號ST。因此，門鎖繼續鎖住。在其它實施例中，語者驗證模組120可能發出一警示聲音，通知特定人士，有人試圖進入屋內。
在一些實施例中，在一註冊期間，語者驗證模組120接收輸入語音SP_IN3。輸入語音SP_IN3係為一合法人員的語音。語者驗證模組120擷取輸入語音SP_IN3的語音特徵(voice-point)，並將輸入語音SP_IN3的語音特徵作為一預設特徵。在此例中，語者驗證模組120比較輸入語音SP_IN2與SP_IN3的語音特徵。當輸入語音SP_IN2的語音特徵相似於預設特徵，表 示輸入語音SP_IN1係由合法人員所發出。因此，語者驗證模組120執行特定動作，如打開門鎖。
在一可能實施例中，語者驗證模組120具有一第二深層學習模型。第二深層學習模型的參數係由一外部裝置提供。該外部裝置將複數語音作為訓練資料，用以學習如何從語音中，擷取出該說話者語音特徵。外部裝置將訓練後的參數寫入語者驗證模組120的第二深層學習模型中。因此，第二深層學習模型便具有擷取語音特徵的能力。在一註冊期間，第二深層學習模型擷取至少一合法人員的語音特徵，並將擷取到的語音特徵記錄於一資料庫中。在一些實施例中，當第二深層學習模型擷取複數合法人員的語音特徵時，則資料庫記錄複數語音特徵。每一語音特徵對應一合法人員的聲音。
第2圖為本發明之攻擊防禦模組110的示意圖。攻擊防禦模組110包括一處理電路210以及一推測電路220。處理電路210處理輸入語音SP_IN1，用以產生一音頻信號ADS_1。本發明並不限定處理電路210的架構。在一可能實施例中，處理電路210具有抽取特徵(feature extraction)的能力。舉例而言，處理電路210可能抽取輸入語音SP_IN1的常數Q倒頻譜係數(CQCC)或是梅爾倒頻譜係數(MFCC)，用以產生一抽取結果。在此例中，處理電路210將抽取結果作為音頻信號ADS_1。
推測電路220接收音頻信號ADS_1，並利用一深層學習模型221處理音頻信號ADS_1，用以判別輸入語音SP_IN1是 為一真語音或是一假語音。當輸入語音SP_IN1係為一真語音時，推測電路220輸出一輸入語音SP_IN2。在一些實施例中，推測電路220將輸入語音SP_IN1或是音頻信號ADS_1作為輸入語音SP_IN2。當輸入語音SP_IN1係為一假語音時，推測電路220不提供輸入語音SP_IN2。在一可能實施例中，推測電路220具有一記憶裝置，用以儲存深層學習模型221。
在一些實施例中，攻擊防禦模組110更包括一輸入輸出埠230。輸入輸出埠230用以接收一更新資料DA_1。更新資料DA_1係由一外部裝置提供。該外部裝置對一訓練資料進行訓練。該訓練資料包括至少一真語音及至少一假語音。經訓練後，外部裝置產生至少一參數，並將參數作為更新資料DA_1。在一更新期間，當外部裝置耦接輸入輸出埠230時，推測電路220透過輸入輸出埠230，接收更新資料DA_1。推測電路220將更新資料DA_1寫入深層學習模型221，用以更新深層學習模型221的至少一參數。
本發明並不限定輸入輸出埠230的種類。在一可能實施例中，輸入輸出埠230透過一連接線，連接外部裝置。在另一可能實施例中，輸入輸出埠230係為一無線接收器，接收來自外部裝置的更新資料DA_1。
第3A圖為本發明之語者驗證模組120的示意圖。如圖所示，語者驗證模組120包括一特徵擷取電路310、一比對電路330以及一決策電路340。在本實施例中，語者驗證模組120用以判斷來自攻擊防禦模組110的輸入語音SP_IN2是否為合法語音。當輸 入語音SP_IN1為合法語音時，語者驗證模組120進行一特定動作，如開始。當輸入語音SP_IN1為不合法語音時，語者驗證模組120不進行特定動作，或是進行一警示動作，如發出警告聲，通知室內的人員。
特徵擷取電路310利用一深層學習模型311處理輸入語音SP_IN2，用以產生一語音特徵SP_EM。在一可能實施例中，輸入語音SP_IN2係為輸入語音SP_IN1。在此例中，當攻擊防禦模組110判斷輸入語音SP_IN1為一真語音時，攻擊防禦模組110直接將音頻信號ADS_1作為輸入語音SP_IN2。在本實施例中，深層學習模型311提取說話者的特徵(speaker embedding)。在一可能實施例中，特徵擷取電路310具有一記憶裝置，用以儲存深層學習模型311。
比對電路330將語音特徵SP_EM與至少一預設特徵SP_PR進行比對，用以產生一比對結果S_CM。在一些實施例中，比對結果S_CM表示語音特徵SP_EM與預設特徵SP_PR之間的相似度。
決策電路340判斷比對結果S_CM是否大於一閥值。當比對結果S_CM大於閥值時，決策電路340進行一特定動作，如致能觸發信號ST。當比對結果S_CM未大於閥值時，決策電路340不進行特定動作，如不致能觸發信號ST。
在一些實施例中，語者驗證模組120更包括一儲存電路320。儲存電路320用以儲存預設特徵SP_PR。在一可能實施 例中，預設特徵SP_PR係由特徵擷取電路310提供。本發明並不限定預設特徵SP_PR的數量。儲存電路320可能儲存更多的預設特徵SP_PR。在此例中，每一預設特徵SP_PR代表一合法人員(如家庭成員)的語音特徵。本發明並不限定儲存電路320的種類。在一可能實施例中，儲存電路320係為一非揮發性記憶體。
在一可能實施例中，深層學習模型311的參數係由一外部裝置(未顯示)。該外部裝置將複數語音作為訓練資料，用以學習擷取語音特徵。外部裝置將訓練後的參數寫入深層學習模型311中。因此，深層學習模型311便具有擷取語音特徵的能力。
在其它實施例中，語者驗證模組120更包括一輸入輸出埠350。輸入輸出埠350用以接收一更新資料DA_2。當一外部裝置耦接輸入輸出埠350時，語者驗證模組120進入一更新模式。在更新模式下，特徵擷取電路310根據更新資料DA_2，更新深層學習模型311的至少一參數。本發明並不限定輸入輸出埠350的種類。在一可能實施例中，輸入輸出埠350透過一連接線，連接外部裝置。在另一可能實施例中，輸入輸出埠350係為一無線接收器，接收來自外部裝置的更新資料DA_2。
第3B圖為本發明之語者驗證模組120的另一示意圖。第3B圖相似第3A圖，不同之處在於，第3B圖多了一處理電路360。處理電路360處理輸入語音SP_IN2，用以產生一音頻信號ADS_2。由於處理電路360的特性相似於第2圖的處理電路210，故不再贅述。
特徵擷取電路310接收音頻信號ADS_2，並利用深層學習模型311處理音頻信號ADS_2，用以產生語音特徵SP_EM。在本實施例中，當攻擊防禦模組110得知輸入語音SP_IN1係為一真語音時，攻擊防禦模組110將輸入語音SP_IN1作為輸入語音SP_IN2。
在一些實施例中，在一初始期間(或稱註冊期間)，處理電路360處理輸入語音SP_IN3，用以產生一音頻信號ADS_3。在此例中，輸入語音SP_IN3係為合法人員的語音。深層學習模型311擷取音頻信號ADS_3的語音特徵，並將擷取結果(即預設特徵SP_PR)記錄於儲存電路320中。
在一可能實施例中，合法人員對著第1圖的接收電路130說話。接收電路130提供合法人員的語音(即輸入語音SP_IN3)予處理電路360。在一些實施例中，接收電路130可能接收五位合法人員的語音。因此，儲存電路320記錄五筆預設特徵SP_PR，分別對應五位合法人員。在此例中，比對電路330將語音特徵SP_EM與五筆預設特徵SP_PR進行比對，並提供五次的比對結果予決策電路340。決策電路340將每一比對結果與一閥值進行比較。
第4圖為本發明之攻擊防禦操作的示意圖。在一訓練階段(training phase)，提供許多不同的訓練資料。訓練資料真語音及假語音。真語音係為活體所發出的聲音。假語音包含使用各種方法所取得的語音，如生成與活體語音相似的聲音。另外，還有 錄音和重放、擷取部分語音、透過聲音的環繞與立體聲。接著，抽取訓練資料的特徵，再進行語音訓練(如機器學習machine learning)。藉由多次語音訓練，便可產生至少一參數。再將參數寫入一第一深層學習模型中。
在一推論階段(inference phase)，接收一推論資料。在一可能實施例中，推論資料係為一未知語音。該未知語音可能來自一錄音器。然後，抽取推論資料的特徵，用以產生一第一抽取結果。利用第一深層學習模型，處理第一抽取結果，用以判斷推論資料係為一真語音或是一假語音。在一可能實施例中，如果推論資料係為一真語音時，則驗證該真語音是否為合法人員所發出。如果推論資料係為一假語音，則不驗證假語音。
第5圖為本發明之語者驗證操作的示意圖。在一訓練階段，提供許多不同的訓練資料。在一可能實施例中，每一訓練資料係為一真語音。接著，抽取訓練資料的特徵，再進行語音訓練。藉由多次語音訓練，便可產生至少一參數。再將參數寫入一第二深層學習模型中。
在一註冊階段(enrollment phase)，接收至少一註冊資料。接著，抽取註冊資料的特徵，用以產生一第二抽取結果。利用第二深層學習模型處理第二抽取結果，用以取得註冊資料的語音特徵(或稱預設特徵)。在一可能實施例中，註冊資料的語音特徵儲存於一資料庫中。
在一驗證(verification phase)階段，接收一驗證 資料。在一可能實施例中，驗證資料係為一未知真語音，如經第4圖的第一深層學習模型判斷得知的真語音。然後，抽取驗證資料的特徵，用以產生一第三抽取結果。利用第二深層學習模型處理第三抽取結果，用以產生一未知語音特徵。將未知語音特徵與資料庫裡的預設特徵相比較，判斷未知語音特徵與每一預設特徵之間的相似度。接著，判斷未知語音特徵與每一預設特徵之間的相似度是否超過一閥值。若是，表示驗證資料係為一合法人員所發出的聲音，故接受驗證資料，並執行一特定動作。若否，表示驗證資料並非一合法人員所發出的聲音，故拒絕驗證資料，且不執行特定動作。
第6圖為本發明之語音辨識方法的流程示意圖。本發明的語音辨識方法可以透過程式碼存在。當程式碼被機器載入且執行時，機器變成用以實行本發明之語音辨識裝置。
首先，接收並處理一輸入語音，用以產生一音頻信號(步驟S611)。在一可能實施例中，步驟S611係抽取輸入語音的常數Q倒頻譜係數或是梅爾倒頻譜係數，再將抽取結果作為音頻信號。
接著，利用一第一深層學習模型處理音頻信號(步驟S612)。在一可能實施例中，第一深層學習模型的參數(parameter)係由一外部裝置提供。該外部裝置執行真語音及假語音的訓練，再將訓練後的參數寫入第一深層學習模型中。因此，根據第一深層學習模型的輸出結果，便可得知輸入語音為一假語音或是一真語音的能力。
判斷第一深層學習模型是否將輸入語音分類為真語音(步驟S613)。當輸入語音並非真語音時，拒絕假語音(步驟S614)。當輸入語音係為真語音時，利用一第二深層學習模型處理輸入語音，用以產生一語音特徵(步驟S615)。
接著，比對語音特徵與至少一預設特徵，用以產生一比對結果(步驟S616)。在一可能實施例中，比對結果係為語音特徵與預設特徵的相似度。然後，判斷比對結果是否大於一閥值(步驟S617)。當比對結果未大於閥值時，表示輸入語音並非一合法人員的聲音。因此，不進行特定動作(步驟S618)。當比對結果大於閥值時，表示輸入語音係為一合法人員的聲音。因此，進行一特定動作(步驟S619)。
本發明並不限定特定動作的類型。在一可能實施例中，特定動作係打開門鎖。在另一可能實施例中，比對結果未大於閥值時，表示一不合法人員企圖進入屋內，故步驟S618發出一警示聲，提醒屋內人員。在其它實施例中，藉由調整閥值，可提高語音辨識的嚴格程度。
本發明之語音辨識方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可儲存於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，亦或不限於外在形式之電腦程式產品，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之攻擊防禦模組及語者驗證模組。程式碼也可透過一些傳送媒體，如電線或電纜、光纖、 或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之攻擊防禦模組及語者驗證模組。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。
除非另作定義，在此所有詞彙(包含技術與科學詞彙)均屬本發明所屬技術領域中具有通常知識者之一般理解。此外，除非明白表示，詞彙於一般字典中之定義應解釋為與其相關技術領域之文章中意義一致，而不應解釋為理想狀態或過分正式之語態。雖然“第一”、“第二”等術語可用於描述各種元件，但這些元件不應受這些術語的限制。這些術語只是用以區分一個元件和另一個元件。
雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾。舉例來說，本發明實施例所述之系統、裝置或是方法可以硬體、軟體或硬體以及軟體的組合的實體實施例加以實現。因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100：語音辨識裝置 110：攻擊防禦模組 120：語者驗證模組 SP_IN1～SP_IN3：輸入語音 SP_RL：真語音 SP_SF：假語音 130：接收電路 ST：觸發信號

Claims (6)

  1. 一種語音辨識裝置，包括：一攻擊防禦模組，用以濾除一假語音，並包括：一第一處理電路，處理一第一輸入語音，用以產生一第一音頻信號；以及一推測電路，接收該第一音頻信號，並利用一第一深層學習模型處理該第一音頻信號，用以判別該第一輸入語音是為一真語音或是該假語音，當該第一輸入語音係為該真語音時，該推測電路輸出一第二輸入語音；以及一語者驗證模組，包括：一特徵擷取電路，利用一第二深層學習模型處理該第二輸入語音，用以產生一語音特徵；一比對電路，將該語音特徵與至少一預設特徵進行比對，用以產生一比對結果；一第二處理電路，處理該第二輸入語音，用以產生一第二音頻信號；以及一決策電路，判斷該比對結果是否大於一閥值，當該比對結果大於該閥值時，該決策電路進行一特定動作，當該比對結果未大於該閥值時，該決策電路不進行該特定動作，其中：當該第一輸入語音係為該真語音時，該推測電路將該第一輸入語音作為該第二輸入語音， 該特徵擷取電路接收該第二音頻信號，並利用該第二深層學習模型處理該第二音頻信號，用以產生該語音特徵，在一註冊期間，該第二處理電路處理一第三輸入語音，用以產生一第三音頻信號，該特徵擷取電路接收該第三音頻信號，並利用該第二深層學習模型處理該第三音頻信號，用以產生該預設特徵。
  2. 如請求項1之語音辨識裝置，其中該語者驗證模組更包括：一儲存電路，用以儲存該預設特徵。
  3. 如請求項1之語音辨識裝置，其中該攻擊防禦模組更包括：一第一輸入輸出埠，用以接收一第一更新資料；其中，在一第一更新期間，該推測電路根據該第一更新資料，更新該第一深層學習模型的至少一參數。
  4. 如請求項1之語音辨識裝置，其中該語者驗證模組更包括：一第二輸入輸出埠，用以接收一第二更新資料；其中，在一第二更新期間，該特徵擷取電路根據該第二更新資料，更新該第二深層學習模型的至少一參數。
  5. 如請求項1之語音辨識裝置，更包括：一接收電路，用以接收該第一輸入語音，並提供該第一輸入語音予該攻擊防禦模組。
  6. 一種語音辨識方法，包括：接收並處理一第一輸入語音，用以產生一第一音頻信號；利用一第一深層學習模型處理該第一音頻信號，用以判別該第一輸入語音是為一真語音或是一假語音；當該第一輸入語音係為該真語音時，利用一第二深層學習模型處理該第一輸入語音，用以產生一語音特徵；比對該語音特徵與至少一預設特徵，用以產生一比對結果；判斷該比對結果是否大於一閥值；當該比對結果大於該閥值時，進行一特定動作；當該比對結果未大於該閥值時，不進行該特定動作；以及在一註冊期間：處理一第二輸入語音，用以產生一第二音頻信號；利用該第二深層學習模型處理該第二音頻信號，用以產生該預設特徵。
TW112126111A 2023-07-13 2023-07-13 語音辨識裝置及方法 TWI878975B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW112126111A TWI878975B (zh) 2023-07-13 2023-07-13 語音辨識裝置及方法
CN202410860316.1A CN119314491A (zh) 2023-07-13 2024-06-28 语音辨识装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112126111A TWI878975B (zh) 2023-07-13 2023-07-13 語音辨識裝置及方法

Publications (2)

Publication Number Publication Date
TW202503737A TW202503737A (zh) 2025-01-16
TWI878975B true TWI878975B (zh) 2025-04-01

Family

ID=94183444

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112126111A TWI878975B (zh) 2023-07-13 2023-07-13 語音辨識裝置及方法

Country Status (2)

Country Link
CN (1) CN119314491A (zh)
TW (1) TWI878975B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180097838A1 (en) * 2016-10-03 2018-04-05 Telepathy Labs, Inc. System and method for audio fingerprinting for attack detection
US20190237096A1 (en) * 2018-12-28 2019-08-01 Intel Corporation Ultrasonic attack detection employing deep learning
US10795364B1 (en) * 2017-12-29 2020-10-06 Apex Artificial Intelligence Industries, Inc. Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips
US10911600B1 (en) * 2019-07-30 2021-02-02 Nice Ltd. Method and system for fraud clustering by content and biometrics analysis
TW202119393A (zh) * 2019-10-31 2021-05-16 大陸商支付寶（杭州）信息技術有限公司 用於確定聲音特性的系統和方法
WO2022042129A1 (zh) * 2020-08-31 2022-03-03 北京达佳互联信息技术有限公司 音频处理方法及装置
CN114974263A (zh) * 2022-05-13 2022-08-30 北京百度网讯科技有限公司 身份认证方法、装置、设备及存储介质
CN114974204A (zh) * 2022-06-06 2022-08-30 平安科技（深圳）有限公司 合成攻击语音的检测方法、装置、计算机设备和存储介质
US20220293123A1 (en) * 2021-03-10 2022-09-15 Covid Cough, Inc. Systems and methods for authentication using sound-based vocalization analysis
US20220375474A1 (en) * 2018-12-20 2022-11-24 Schlage Lock Company Llc Audio-based access control
US11551699B2 (en) * 2018-05-04 2023-01-10 Samsung Electronics Co., Ltd. Voice input authentication device and method
TW202303587A (zh) * 2021-07-13 2023-01-16 宏碁股份有限公司 聲音浮水印的處理方法及語音通訊系統

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180097838A1 (en) * 2016-10-03 2018-04-05 Telepathy Labs, Inc. System and method for audio fingerprinting for attack detection
US10795364B1 (en) * 2017-12-29 2020-10-06 Apex Artificial Intelligence Industries, Inc. Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips
US11551699B2 (en) * 2018-05-04 2023-01-10 Samsung Electronics Co., Ltd. Voice input authentication device and method
US20220375474A1 (en) * 2018-12-20 2022-11-24 Schlage Lock Company Llc Audio-based access control
US20190237096A1 (en) * 2018-12-28 2019-08-01 Intel Corporation Ultrasonic attack detection employing deep learning
US10911600B1 (en) * 2019-07-30 2021-02-02 Nice Ltd. Method and system for fraud clustering by content and biometrics analysis
TW202119393A (zh) * 2019-10-31 2021-05-16 大陸商支付寶（杭州）信息技術有限公司 用於確定聲音特性的系統和方法
WO2022042129A1 (zh) * 2020-08-31 2022-03-03 北京达佳互联信息技术有限公司 音频处理方法及装置
US20220293123A1 (en) * 2021-03-10 2022-09-15 Covid Cough, Inc. Systems and methods for authentication using sound-based vocalization analysis
TW202303587A (zh) * 2021-07-13 2023-01-16 宏碁股份有限公司 聲音浮水印的處理方法及語音通訊系統
CN114974263A (zh) * 2022-05-13 2022-08-30 北京百度网讯科技有限公司 身份认证方法、装置、设备及存储介质
CN114974204A (zh) * 2022-06-06 2022-08-30 平安科技（深圳）有限公司 合成攻击语音的检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN119314491A (zh) 2025-01-14
TW202503737A (zh) 2025-01-16

Similar Documents

Publication Publication Date Title
Li et al. Practical adversarial attacks against speaker recognition systems
US10720166B2 (en) Voice biometrics systems and methods
CN100476950C (zh) 比较发音进行安全控制的方法
Chen et al. Robust deep feature for spoofing detection-the SJTU system for ASVspoof 2015 challenge.
US8620657B2 (en) Speaker verification methods and apparatus
US8386263B2 (en) Speaker verification methods and apparatus
CN106251874B (zh) 一种语音门禁和安静环境监控方法及系统
Li et al. Security and privacy problems in voice assistant applications: A survey
CN110491391A (zh) 一种基于深度神经网络的欺骗语音检测方法
US20080270132A1 (en) Method and system to improve speaker verification accuracy by detecting repeat imposters
CN103106717A (zh) 基于声纹识别的智能仓库声控门卫系统及其身份认证方法
CN109448759A (zh) 一种基于气爆音的抗语音认证欺骗攻击检测方法
CN120148524B (zh) 一种面向短语音与复杂噪声的陆空通话说话人识别方法
KR101995443B1 (ko) 화자 검증 방법 및 음성인식 시스템
Marras et al. Dictionary attacks on speaker verification
Shirvanian et al. Quantifying the breakability of voice assistants
Chetty et al. " Liveness" Verification in Audio-Video Authentication
TWI878975B (zh) 語音辨識裝置及方法
Huang et al. Eve said yes: Airbone authentication for head-wearable smart voice assistant
TWI832552B (zh) 基於元學習應用於開放集環境下之即時短語句的語者辨識系統
VS et al. A review of automatic speaker verification systems with feature extractions and spoofing attacks
Gupta et al. Text dependent voice based biometric authentication system using spectrum analysis and image acquisition
KR20190077296A (ko) 화자 검증 방법 및 음성인식 시스템
CN119577727A (zh) 身份认证方法及相关设备
Asha et al. Downsampling Attack on Automatic Speaker Authentication System