楊海濤，王華朋，牛瑾琳，楚憲騰，林暖輝

（1.中國(guó)刑事警察學(xué)院公安信息技術(shù)與情報(bào)學(xué)院，沈陽 110854；2.廣州市刑事科學(xué)技術(shù)研究所，廣州 510030）

引言

科學(xué)技術(shù)的發(fā)展給人們帶來便利的同時(shí)也產(chǎn)生了新的問題，例如語音作為生物識(shí)別技術(shù)的重要環(huán)節(jié)在日常生活中常常被人惡意利用，以進(jìn)行詐騙、造謠和煽動(dòng)公眾情緒等。語音欺騙方法很早就產(chǎn)生，其類型主要包括：語音模仿、語音回放、語音合成和語音轉(zhuǎn)換［1］。近年來人們開始重視語音欺騙檢測(cè)。自動(dòng)說話人識(shí)別欺騙攻擊與防御對(duì)策挑戰(zhàn)賽（Automatic speaker verification spoofing and countermeasures challenge，ASVspoof）于2015 年第一次舉辦，主要關(guān)注于邏輯訪問（Logical access，LA），包括語音合成（Text to speech，TTS）和語音轉(zhuǎn)換（Voice conversion，VC）檢測(cè)［2］。隨后的ASVspoof2017 注重于物理訪問（Physical access，PA）區(qū)分真實(shí)音頻和回放音頻［3］。ASVspoof2019 則涵蓋了LA 和PA［4］。在這幾個(gè)挑戰(zhàn)賽中度量標(biāo)準(zhǔn)都是等錯(cuò)誤率（Equal error rate，EER），包括語音合成、語音轉(zhuǎn)化的邏輯訪問攻擊語音因其逼真性而被廣泛應(yīng)用［5］，這也給不法分子提供了便利條件。傳統(tǒng)機(jī)器學(xué)習(xí)的語音欺騙檢測(cè)主要使用高斯混合模型和i-vector，前者具有訓(xùn)練速度快、準(zhǔn)確度高的優(yōu)點(diǎn)，但由于語料不夠，抗信道干擾差；后者則對(duì)全局差異進(jìn)行建模，除信道的干擾，放寬了對(duì)訓(xùn)練語料的限制［1，6-7］。隨著深度學(xué)習(xí)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（Deep neural network，DNN）被應(yīng)用于語音欺騙檢測(cè)。Villalba 等使用DNN 對(duì)提取的率波庫（Filter bank，F(xiàn)Bank）及相對(duì)相移（Relative phase shift，RPS）特征進(jìn)行檢測(cè)，在10 種欺騙語音檢測(cè)結(jié)果中有9 種EER 低于0.05%，取得了非常好的效果［8］。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）在圖像領(lǐng)域的成功應(yīng)用為語音處理提供了更多思路。Lavrentyeva 等使用CNN 的變種LCNN 進(jìn)行語音回放檢測(cè)，并在ASVspoof2017 挑戰(zhàn)賽中取得語音回放檢測(cè)第一名的成績(jī)［9］，證明了CNN 在語音欺騙檢測(cè)中的能力。處理語音時(shí)序數(shù)據(jù)能力較強(qiáng)的是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN），RNN 通過循環(huán)單元和門限結(jié)構(gòu)使其具有記憶性。Gomez-Alanis 等使用CNN-RNN 的混合模型對(duì)噪聲魯棒性語音進(jìn)行欺騙檢測(cè)，取得了較好的效果［10］。該團(tuán)隊(duì)在后來的研究中使用GRU-RNN 的混合模型對(duì)回放語音、轉(zhuǎn)換語音及合成語音進(jìn)行欺騙檢測(cè)，其結(jié)果都比ASVspoof2019 提供的基線系統(tǒng)更優(yōu)［11］。但是RNN 在處理長(zhǎng)時(shí)依賴問題時(shí)易出現(xiàn)梯度消失和梯度爆炸的現(xiàn)象［12］。Hochreiter 等提出的長(zhǎng)短期記憶網(wǎng)絡(luò)則是為了解決這一問題［13］。在ASVspoof2017 挑戰(zhàn)賽中，Li 團(tuán)隊(duì)使用了基于注意力機(jī)制的LSTM 結(jié)構(gòu)取得較好的結(jié)果［14］。Cho 等于2014 年提出的門控循環(huán)神經(jīng)單元是長(zhǎng)短期記憶網(wǎng)絡(luò)（Long short-term memory，LSTM）的變種中改動(dòng)較大的一種［15］。Chen 等使用門控循環(huán)神經(jīng)單元（Gated recurrent unit，GRU）在ASVspoof2017 數(shù)據(jù)集上進(jìn)行試驗(yàn)，EER 為9.81%，表現(xiàn)突出［16］。文獻(xiàn)［17-18］則對(duì)LSTM 和GRU 網(wǎng)絡(luò)模型進(jìn)行了比較，發(fā)現(xiàn)兩者的能力相當(dāng)，但相比于LSTM網(wǎng)絡(luò)，GRU 的張量操作更少，訓(xùn)練速度更快，泛化能力更強(qiáng)。

在語音邏輯訪問攻擊檢測(cè)的任務(wù)中，單一的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在進(jìn)行邏輯訪問攻擊檢測(cè)時(shí)存在著一定的局限性，因此混合網(wǎng)絡(luò)模型成為研究熱點(diǎn)。在處理語音序列中，LSTM 網(wǎng)絡(luò)和GRU 網(wǎng)絡(luò)能夠更好地處理語音序列中的長(zhǎng)時(shí)依賴問題，進(jìn)而提高網(wǎng)絡(luò)的性能。由于兩種網(wǎng)絡(luò)結(jié)構(gòu)相似，在融合時(shí)能夠正確獲取語音信息。為進(jìn)一步提高語音欺騙檢測(cè)的準(zhǔn)確率，本文將LSTM 網(wǎng)絡(luò)及GRU 網(wǎng)絡(luò)進(jìn)行融合，提出一種融合LSTM-GRU 網(wǎng)絡(luò)模型進(jìn)行語音欺騙檢測(cè)研究。

1 門控循環(huán)神經(jīng)網(wǎng)絡(luò)

門控循環(huán)神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)DNN 的基礎(chǔ)上加入了門控機(jī)制用來控制神經(jīng)網(wǎng)絡(luò)中信息的傳遞，可以解決長(zhǎng)時(shí)依賴關(guān)系問題，避免了梯度消失和梯度爆炸。

1.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM 網(wǎng)絡(luò)結(jié)構(gòu)由一系列的記憶單元組成，記憶單元通常包含一個(gè)自連接記憶單元來存儲(chǔ)網(wǎng)絡(luò)的時(shí)間狀態(tài)。LSTM 擁有3 個(gè)門（輸入門、輸出門和遺忘門）來保護(hù)和控制單元狀態(tài)，也就是控制信息的流動(dòng)，其中：輸入門決定記憶單元內(nèi)保存什么新信息；輸出門決定要輸出的單元狀態(tài)信息；遺忘門決定要忘記什么內(nèi)容。圖1 所示為L(zhǎng)STM 記憶單元結(jié)構(gòu)。在時(shí)間步長(zhǎng)t處，LSTM 可表示為

圖1 LSTM 記憶單元Fig.1 LSTM memory cell

式中：激活函數(shù)使用的是Sigmoid 函數(shù)（σ）和雙曲正切函數(shù)（tanh）；it、ot、ft、Ct、C～t分別表示為輸入門、輸出門、遺忘門、記憶單元內(nèi)容和新記憶單元內(nèi)容；W表示權(quán)重矩陣；b表示偏置向量，比如bi表示輸入門的偏置向量；ht為時(shí)間t時(shí)的隱層向量。

1.2 門控循環(huán)神經(jīng)單元

GRU 與LSTM 的結(jié)構(gòu)相似但是結(jié)構(gòu)更簡(jiǎn)單，張量操作更少。它引入了重置門和更新門的概念，從而修改了循環(huán)神經(jīng)網(wǎng)絡(luò)中隱藏狀態(tài)的計(jì)算方式，圖2 所示為GRU 的記憶單元結(jié)構(gòu)。GRU 通過直接在當(dāng)前網(wǎng)絡(luò)的狀態(tài)ht和上一時(shí)刻網(wǎng)絡(luò)的狀態(tài)ht-1之間添加一個(gè)線性的依賴關(guān)系，來解決梯度消失和梯度爆炸的問題，表達(dá)式為

圖2 GRU 記憶單元Fig.2 GRU memory cell

式中：rt、zt、xt分別表示重置門、更新門和輸入向量；⊙表示Hadamard Product，也就是操作矩陣中對(duì)應(yīng)的元素相乘；其他變量含義與LSTM 網(wǎng)絡(luò)相同。

2 融合LSTM-GRU 網(wǎng)絡(luò)的檢測(cè)系統(tǒng)

2.1 LSTM-GRU 網(wǎng)絡(luò)結(jié)構(gòu)

LSTM 通過自身的3 個(gè)門控裝置來控制數(shù)據(jù)信息在網(wǎng)絡(luò)間的流通并以此解決長(zhǎng)時(shí)依賴問題，但是由于LSTM 網(wǎng)絡(luò)設(shè)置的參數(shù)過多，每1 個(gè)細(xì)胞里面都有4 個(gè)全連接層，在實(shí)際應(yīng)用過程中，如果時(shí)間跨度較大而LSTM 網(wǎng)絡(luò)層次又深則會(huì)容易出現(xiàn)過擬合現(xiàn)象，并且對(duì)計(jì)算機(jī)的運(yùn)算能力要求也較大。GRU為L(zhǎng)STM 的簡(jiǎn)化，它引入了更新門和重置門來處理數(shù)據(jù)信息，相比于LSTM 設(shè)置的參數(shù)更少，減少過擬合風(fēng)險(xiǎn)，但是在處理大數(shù)據(jù)集的情況下表現(xiàn)不如LSTM。在此本文將兩種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行串聯(lián)處理，提出一種融合LSTM-GRU 的網(wǎng)絡(luò)結(jié)構(gòu)。

LSTM-GRU 網(wǎng)絡(luò)是由單層LSTM 網(wǎng)絡(luò)及單層GRU 網(wǎng)絡(luò)串聯(lián)形成的一種混合網(wǎng)絡(luò)結(jié)構(gòu)，如圖3 所示。數(shù)據(jù)輸入LSTM 層后依次通過輸入門、輸出門和遺忘門，使用sigmoid 函數(shù)和tanh 函數(shù)進(jìn)行信息的更迭處理后進(jìn)入GRU 層；GRU 層中的更新門和重置門對(duì)信息進(jìn)行矩陣相乘處理，輸入到Dropout 層，丟棄一些神經(jīng)節(jié)點(diǎn)防止過擬合；隨后進(jìn)行歸一化處理，再輸入到全連接層；最后通過使用softmax 函數(shù)的分類層進(jìn)行真假語音分類。

圖3 LSTM-GRU 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM-GRU network structure

2.2 檢測(cè)系統(tǒng)的評(píng)價(jià)指標(biāo)

評(píng)價(jià)語音欺騙檢測(cè)性能的常用指標(biāo)是EER。EER 是錯(cuò)誤拒絕率（False rejection rate，F(xiàn)RR）和錯(cuò)誤接受率（False acceptance rate，F(xiàn)AR）相等時(shí)的數(shù)值。EER 是衡量生物識(shí)別系統(tǒng)性能的重要指標(biāo)，能夠同時(shí)反映出系統(tǒng)的安全性和準(zhǔn)確性［19］。FRR、FAR、EER 的計(jì)算表示為

式中：Nbonafide、Nspoofed分別表示真語音的總數(shù)及假語音的總數(shù)；num [s]<θ 表示攻擊樣本中得分小于θ的數(shù)量；num [s]>θ表示攻擊樣本中得分大于θ的數(shù)量。當(dāng)EER 數(shù)值越小，反映其系統(tǒng)性能越好。

AUC（Area under the curve）是機(jī)器學(xué)習(xí)常用的二分類評(píng)測(cè)手段，指的是ROC（Receiver operating characteristic）曲線下的面積［20］。ROC 曲線通過真正例率與假正例率兩項(xiàng)指標(biāo)，可以用來評(píng)估分類模型的性能。AUC 的計(jì)算公式為

式中：ranki代表第i條樣本的序號(hào)；M、N分別代表正樣本的個(gè)數(shù)和負(fù)樣本的個(gè)數(shù)。ROC 曲線下的面積介于0.1 和1 之間；AUC 越接近于1 說明模型越好。

2.3 特征提取

本文選取梅爾頻率倒譜系數(shù)（Mel-frequency cepstral coefficients，MFCC）作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)特征。MFCC 考慮了人耳對(duì)不同頻率的感受程度［21］，在語音信號(hào)處理領(lǐng)域應(yīng)用廣泛，其提取過程如圖4所示。

圖4 MFCC 提取過程Fig.4 MFCC extraction process

3 邏輯訪問攻擊檢測(cè)實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本文基于Ubuntu18.04.4LTS 系統(tǒng)，使用Jupyter Notebook 軟件運(yùn)行環(huán)境，Tensorflow2.2 框架，硬件配置采用Intel Xeon（R）Gold 6132 CPU 處理器，NVIDIA Tesla P4 顯卡。

3.2 數(shù)據(jù)庫

本文針對(duì)語音合成及語音轉(zhuǎn)換兩種語音邏輯訪問攻擊的欺騙方法進(jìn)行檢驗(yàn)，采用ASV spoof 2019數(shù)據(jù)集中的LA 數(shù)據(jù)庫。該數(shù)據(jù)庫是基于VCTK 數(shù)據(jù)庫進(jìn)行開發(fā)的，劃分為3 個(gè)子集：訓(xùn)練集、開發(fā)集和驗(yàn)證集，本文采用訓(xùn)練集進(jìn)行實(shí)驗(yàn)。訓(xùn)練集由20 名（8 男12 女）不同說話人組成，采樣率為16 kHz，共計(jì)23 580 個(gè)音頻文件。提取MFCC 特征后從特征集中隨機(jī)選取60%（25 345 個(gè)）特征數(shù)據(jù)作為本次實(shí)驗(yàn)的訓(xùn)練集，20%（8 449 個(gè)）特征數(shù)據(jù)作為本次實(shí)驗(yàn)的驗(yàn)證集，20%（8 449 個(gè)）特征數(shù)據(jù)作為本次實(shí)驗(yàn)的測(cè)試集。

3.3 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)中提取MFCC 作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的語音特征。在語音提取過程中，MFCC 的特征維度設(shè)置為20 維，選擇二維離散余弦變換，每50 幀語音為特征長(zhǎng)度組成1 個(gè)序列。

在神經(jīng)網(wǎng)絡(luò)模型的選擇上采用GRU、LSTM 和LSTM-GRU 混合模型分別對(duì)提取到的MFCC 特征進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)控制單一變量，LSTM-GRU 設(shè)置的網(wǎng)絡(luò)參數(shù)及結(jié)構(gòu)如表1 所示。設(shè)置的LSTM-GRU 網(wǎng)絡(luò)第1 層為L(zhǎng)STM 層，具有64 個(gè)隱藏節(jié)點(diǎn)，輸入數(shù)據(jù)的維度為20 維；第2 層為具有128個(gè)隱藏節(jié)點(diǎn)的GRU 層，用來將信息傳遞到下一層，激活函數(shù)為Relu；第3 層使用了Dropout，隨機(jī)丟棄50%用來防止過擬合；第5 層為Batch normalization，減少網(wǎng)絡(luò)計(jì)算量使其學(xué)習(xí)率更穩(wěn)定地進(jìn)行梯度傳播；第5 層為全連接層，含有128 個(gè)隱藏節(jié)點(diǎn)；第6層為分類層，激活函數(shù)為softmax。網(wǎng)絡(luò)的迭代周期分別設(shè)置為400、1 000，batch-size 對(duì)應(yīng)分別設(shè)置為128、256，即網(wǎng)絡(luò)一次訓(xùn)練128 或256 個(gè)數(shù)據(jù)。學(xué)習(xí)率的設(shè)定使用指數(shù)衰減法，初始學(xué)習(xí)率設(shè)置為0.01，衰減系數(shù)為0.96，衰減速度為100，優(yōu)化器使用adam ，通過梯度衰減學(xué)習(xí)率可以使模型更穩(wěn)定運(yùn)行。

表1 LSTM-GRU 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)Table 1 LSTM-GRU network structure parameters

3.4 實(shí)驗(yàn)結(jié)果及分析

GRU、LSTM 及LSTM-GRU 三種網(wǎng)絡(luò)模型分別在訓(xùn)練周期為400、1 000 下對(duì)提取到的MFCC 特征訓(xùn)練結(jié)果如表2、3 所示。結(jié)果分析所用評(píng)價(jià)指標(biāo)為EER、AUC 和準(zhǔn)確度。

由表2、3 可以看出，在準(zhǔn)確度上3 種模型均有不錯(cuò)的效果，其中LSTM-GRU 模型所達(dá)到的準(zhǔn)確度最高分別為98.12%和97.96%；在AUC 指標(biāo)上LSTM-GRU 表現(xiàn)也超過GRU 和LSTM。在等錯(cuò)誤率表現(xiàn)上LSTM-GRU 網(wǎng)絡(luò)模型最低，表現(xiàn)最優(yōu)分別為5.9%和7.1%。通過比較這3 種模型的各項(xiàng)評(píng)判指標(biāo)可以發(fā)現(xiàn)，訓(xùn)練周期為400 時(shí)，三者都比ASV2019 挑戰(zhàn)賽所提供的基線系統(tǒng)EER=8.09%要低。其中GRU 比基線系統(tǒng)低17.18%；LSTM 比基線系統(tǒng)低17.18%；LSTM-GRU 比基線系統(tǒng)低27.07%。訓(xùn)練周期為1 000 時(shí)GRU 比基線系統(tǒng)低3.58%；LSTM 表現(xiàn)較差；LSTM-GRU 比基線系統(tǒng)低12.2%。由此可以得出在GRU、LSTM 和LSTM-GRU 三種網(wǎng)絡(luò)中LSTM-GRU 網(wǎng)絡(luò)表現(xiàn)最佳。

表2 訓(xùn)練周期400 下3 種模型實(shí)驗(yàn)結(jié)果Table 2 Experimental results of three models under 400 epochs%

表3 訓(xùn)練周期1 000 下3 種模型實(shí)驗(yàn)結(jié)果Table 3 Experimental results of three models under 1 000 epochs%

比較兩種周期對(duì)3 種模型的結(jié)果影響可以發(fā)現(xiàn)：在周期為400 時(shí)GRU、LSTM 及LSTM-GRU 這3種網(wǎng)絡(luò)模型的結(jié)果均比周期為1 000 條件下的要好。訓(xùn)練周期為400 下的GRU、LSTM-GRU 的等錯(cuò)誤率分別比訓(xùn)練周期為1 000 的等錯(cuò)誤率低14.1%、16.9%?？梢钥闯鲞@3 種模型在相對(duì)較小的訓(xùn)練周期下能夠達(dá)到更好的訓(xùn)練結(jié)果。

在訓(xùn)練周期為400 次時(shí)GRU 和LSTM 的表現(xiàn)相近，LSTM 網(wǎng)絡(luò)在準(zhǔn)確度上比GRU 略高，LSTM-GRU 網(wǎng)絡(luò)較前兩者的表現(xiàn)都更加優(yōu)秀，等錯(cuò)誤率比前兩者分別低11.94%、11.94%，AUC 指標(biāo)分別比前兩者高0.85%和0.85%。在訓(xùn)練周期為1 000 時(shí)LSTM 表現(xiàn)差，準(zhǔn)確率低，AUC 為50.4%，EER 為49.6%并出現(xiàn)過擬合的現(xiàn)象。而GRU 及LSTM-GRU 均表現(xiàn)穩(wěn)定且LSTM-GRU 性能優(yōu)于GRU，EER 比GRU 低8.97%，AUC 比GRU 高0.65%。在進(jìn)行周期長(zhǎng)、數(shù)據(jù)多的情況下，LSTM-GRU比GRU、LSTM 表現(xiàn)都更好，其穩(wěn)定性好，準(zhǔn)確度高。

圖5 為2×2 的混淆矩陣，能夠清晰地顯示LSTM-GRU 對(duì)真假語音的區(qū)分準(zhǔn)確率?？v坐標(biāo)表示真實(shí)標(biāo)簽，橫坐標(biāo)表示預(yù)測(cè)標(biāo)簽。圖中數(shù)值表示預(yù)測(cè)值被歸為某一類的比例，位于對(duì)角線上的數(shù)值越大表示有越多的序列被正確歸類。圖中所示：欺騙語音有99%被正確歸類，真實(shí)語音有89%被正確歸類，有0.01%的欺騙語音和11%的真實(shí)語音被錯(cuò)誤分類。

圖5 混淆矩陣Fig.5 Confusion matrix

圖6、7 為L(zhǎng)STM-GRU 網(wǎng)絡(luò)模型、周期為400 訓(xùn)練過程的識(shí)別準(zhǔn)確度變化曲線及損失大小變化曲線，為每次處理完128 個(gè)數(shù)據(jù)的分類準(zhǔn)確度及訓(xùn)練損失大小變化，得到交叉熵?fù)p失函數(shù)值?？梢钥闯觯诘?0 個(gè)周期后，準(zhǔn)確度變化曲線及損失大小變化曲線進(jìn)入收斂狀態(tài)，識(shí)別準(zhǔn)確率訓(xùn)練集穩(wěn)定在100%附近，測(cè)試集準(zhǔn)確率穩(wěn)定在98%附近。交叉熵?fù)p失函數(shù)值訓(xùn)練集穩(wěn)定0%附近，測(cè)試集穩(wěn)定在0.075%附近，測(cè)試結(jié)果準(zhǔn)確率為98.12%。說明LSTM-GRU 網(wǎng)絡(luò)對(duì)于欺騙語音檢測(cè)具有良好的潛力，適用于大規(guī)模數(shù)據(jù)庫，同時(shí)也反映出該網(wǎng)絡(luò)模型不容易出現(xiàn)梯度爆炸或梯度消失具有穩(wěn)定性。

圖6 訓(xùn)練過程中準(zhǔn)確度變化曲線Fig.6 Accuracy curves during training

圖7 訓(xùn)練過程中損失大小變化曲線Fig.7 Loss curves during training

在實(shí)際應(yīng)用中模型的運(yùn)算量及運(yùn)算速度十分重要。為驗(yàn)證模型的快速準(zhǔn)確性，在訓(xùn)練周期為400 下將3 種模型的參數(shù)量、訓(xùn)練速度及測(cè)試所用時(shí)長(zhǎng)進(jìn)行比較。每次調(diào)用程序前在終端使用kill PID 命令釋放GPU 內(nèi)存保證運(yùn)行環(huán)境一致，同時(shí)網(wǎng)絡(luò)參數(shù)設(shè)置不變保證變量唯一，實(shí)驗(yàn)結(jié)果如表4 所示。

由表4 可看出本文模型的參數(shù)量和訓(xùn)練每個(gè)周期所費(fèi)時(shí)長(zhǎng)均介于GRU 和LSTM 網(wǎng)絡(luò)之間，說明本文方法的運(yùn)算量和損耗時(shí)間處于合理范圍內(nèi)，在應(yīng)用模型進(jìn)行真假語音分類過程中本文模型耗時(shí)最短。綜上所述，本文提出的融合LSTM-GRU 網(wǎng)絡(luò)在語音邏輯訪問攻擊檢測(cè)任務(wù)中能夠快速準(zhǔn)確地識(shí)別偽造語音。

表4 訓(xùn)練周期400 下3 種模型運(yùn)算性能比較Table 4 Comparison of operation performance of three models under 400 epochs

4 結(jié)束語

本文提出了一種融合LSTM-GRU 網(wǎng)絡(luò)的語音邏輯訪問攻擊檢測(cè)方法。通過比較GRU、LSTM 與LSTM-GRU 這3 種網(wǎng)絡(luò)模型在ASVspoof2019 邏輯訪問數(shù)據(jù)庫上的表現(xiàn)可見，基于LSTM-GRU 網(wǎng)絡(luò)的等錯(cuò)誤率在設(shè)置的兩種實(shí)驗(yàn)條件下分別為5.9%、7.1%，準(zhǔn)確度分別為98.12%、97.96%，在3 種網(wǎng)絡(luò)模型中表現(xiàn)最好。實(shí)驗(yàn)中設(shè)置訓(xùn)練周期分別為400 和1 000，通過比較3 種模型在相對(duì)長(zhǎng)訓(xùn)練周期下的表現(xiàn)，發(fā)現(xiàn)LSTM-GRU 抗過擬合性強(qiáng)、準(zhǔn)確率高。比較3 種網(wǎng)絡(luò)的運(yùn)算性能并結(jié)合LSTM-GRU 模型的訓(xùn)練情況，發(fā)現(xiàn)該網(wǎng)絡(luò)模型不容易出現(xiàn)梯度爆炸或梯度消失，具有良好的穩(wěn)定性，能夠快速準(zhǔn)確地對(duì)真假語音進(jìn)行分類，可適用于大規(guī)模數(shù)據(jù)庫。LSTM-GRU 網(wǎng)絡(luò)可為語音邏輯訪問攻擊檢測(cè)提供新的方法。