[发明专利]基于深度学习的语音活体检测方法、服务器及存储介质

说明书

本发明公开了一种基于深度学习的语音活体检测方法，应用于服务器，包括：对深度神经网络模型进行训练以获得最优深度神经网络模型；获取待检测语音并对所述待检测语音进行分帧，得到1000*20维矩阵；将所述1000*20维矩阵输入到所述最优深度神经网络模型；利用所述最优深度神经网络模型对所述1000*20维矩阵进行计算以得到1*4维输出向量，所述1*4维输出向量代表了4种语音类别；选择所述1*4维输出向量中数值最大的一类作为所述待检测语音的类别。本发明还公开一种服务器及存储介质。通过实施上述方案，可以为语音控制的安全性提供了更高层次的安全性保证，促进了语音识别技术的发展。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于深度学习的语音活体检测方法、服务器及存储介质。

背景技术

随着语音识别技术的不断发展，语音识别应用也越来越多，包括语音控制、语音支付等等。但目前在语音识别的过程中，一般只是识别语义，并不能很好的区别出语音是人为发出，还是其他录音输入，比如像苹果siri，在对苹果终端设备用siri唤醒的过程中，无论是本人还是录音，一旦输入“hi,siri”，都会将终端设备唤醒，并不能区别发出语音的来源。故针对语音的活体检测尤为重要。语音活体检测是指识别输入信息是否为真人说话，非真人说话的语音一般称为伪造录音，包括音乐输入、录音重播、通过语音合成等技术手段产生的语音等。伪造录音常常用于金融、安全领域，通过伪造录音进行声纹识别闯入，从而登录到被害人账户，以达到盗取钱财或损害他人名誉及财产等目标。

发明内容

有鉴于此，本发明提出一种基于深度学习的语音活体检测方法、服务器及存储介质，使得在利用语音进行相应应用之前，可以快速的检测出所述语音是否为用户直接输出的语音，还是他人的恶意伪造语音，如此，可以为语音控制的安全性提供了更高层次的安全性保证，促进了语音识别技术的发展。

首先，为实现上述目的，本发明提出一种服务器，所述服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的基于深度学习的语音活体检测程序，所述基于深度学习的语音活体检测程序被所述处理器执行时实现如下步骤：对深度神经网络模型进行训练以获得最优深度神经网络模型；获取待检测语音并对所述待检测语音进行分帧，得到1000*20维矩阵；将所述1000*20维矩阵输入到所述最优深度神经网络模型；利用所述最优深度神经网络模型对所述1000*20维矩阵进行计算以得到1*4维输出向量，所述1*4维输出向量代表了4种语音类别；选择所述1*4维输出向量中数值最大的一类作为所述待检测语音的类别。

可选地，所述基于深度学习的语音活体检测程序被所述处理器执行时，所述对深度神经网络模型进行训练以获得最优深度神经网络模型的步骤包括：对训练语音进行分帧，将每1000帧作为一个样本；对每一个样本进行类别标识；将标识后的所述样本作为所述深度神经网络模型的训练样本。

可选地，所述基于深度学习的语音活体检测程序被所述处理器执行时，所述对深度神经网络模型进行训练以获得最优深度神经网络模型的步骤包括：对训练语音进行分帧，将每1000帧作为一个样本；对每一个样本进行类别标识；将标识后的所述样本作为所述深度神经网络模型的训练样本。

可选地，所述基于深度学习的语音活体检测程序被所述处理器执行时，所述利用所述最优深度神经网络模型对所述1000*20维矩阵进行计算以得到1*4维输出向量的步骤具体包括：在第一层用1000*20卷积核对输入特征进行卷积；在第二到四层，采用1*1的卷积核进行卷积，并使用LeakyReLU激活函数；在第五层进行池化，对2*2核范围进行提取最大值；在第六层进行展平；在第七层对所述第六层进行降维，获得输出Out7；在第七层以所述Out7输入，用softmax激活函数，输出为1*4向量，作为检测结果。