湖南
近日，追一科技联合香港理工大学、捷克布尔诺理工大学发表的语音反欺诈研究论文《Aleatoric Style Uncertainty Augmentation with GMM for Domain Generalization in Anti-spoofing》被 Interspeech 2026收录。该研究聚焦语音反欺诈领域的关键技术挑战，提出一种基于高斯混合模型（GMM）的随机风格不确定性增强方法（ASU），旨在提升模型面对未知语音伪造攻击时的泛化能力。
Interspeech 是语音科学与技术领域具有国际影响力的学术会议，涵盖语音识别、语音合成、说话人识别及语音安全等多个研究方向。
聚焦关键挑战，让模型更好地应对未知攻击
随着语音合成、语音转换等技术快速发展，伪造语音的生成方式日益多样，语音反欺诈技术面临着更高要求。模型不仅需要识别训练中出现过的攻击类型，还需要应对未知攻击、不同编码格式、说话人差异以及复杂声学环境带来的变化。
然而，真实场景中的语音数据往往具有多样化的风格特征，不同数据来源和录制条件也可能形成差异明显的分布。传统的不确定性建模方法通常使用单一分布概括一个批次的变化，难以充分保留不同语音风格之间的多样性，进而影响模型对未知场景的适应能力。
针对这一问题，研究团队提出了 Aleatoric Style Uncertainty（ASU） 方法，尝试从语音风格的不确定性出发，增强模型对复杂数据分布的学习能力。
技术创新：利用 GMM 建模多样化语音风格
ASU 的核心思路，是利用高斯混合模型刻画语音风格空间中的多种分布模式。
具体而言，研究团队通过 GMM 对语音风格中的不同模式及其内部变化进行建模，并依据模型学习到的分布信息对训练样本进行扰动和增强。该方法结合批次层面的变化信息与样本自适应的不确定性建模，使训练过程能够更充分地覆盖不同语音风格及其变化，从而帮助模型学习更具泛化能力的特征。
在模型设计上，ASU 被应用于语音反欺诈系统的关键分支，结合预训练语音模型开展训练。同时，该增强模块仅在训练阶段使用，推理阶段无需启用，因此不会带来额外的测试阶段计算开销。这一设计在探索模型性能提升的同时，也兼顾了实际部署中的效率需求。
实验验证：多项指标取得明显改善
研究团队在 ASVspoof 5 开放条件评测中验证了该方法的效果。实验结果显示，与基线系统相比，ASU 在两个评测赛道的多项关键指标上均取得改善。
Track 1 中，等错误率（EER）由 4.99% 降至 3.96%，相对下降 20.6%；最小检测代价函数（minDCF）由 0.141 降至 0.108，相对下降 23.4%。
Track 2 中，最小攻击检测代价（min a-DCF）由 0.156 降至 0.118，相对下降 24.4%；t-EER 则由 5.44% 降至 4.23%，相对下降 22.2%。
这些结果表明，通过更细致地建模语音风格的不确定性，ASU 能够有效改善模型在相关评测场景中的表现，为提升语音反欺诈系统应对复杂数据分布的能力提供了实验支持。
持续探索，推动语音技术创新
此次研究围绕语音反欺诈中的模型泛化问题展开探索，体现了追一科技在语音技术领域对算法创新与实际应用需求的持续关注。
随着生成式人工智能不断发展，语音真实性检测将在安全验证、智能交互等场景中发挥越来越重要的作用。未来，追一科技将继续探索语音与人工智能领域的关键技术，推动前沿研究与实际应用相结合，为构建更加安全、可靠的语音交互体验提供技术支持。
来源：追一科技
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
