テキスト依存型話者照合のための音素情報に基づくポップノイズ検出法による声の生体検知

摘要

近年，話者照合が普及しつつある一方で，登録話rn者の声を録音した音声などを用いたなりすまし攻撃rnによって話者照合の精度が大幅に低下してしまうこrnとが報告されている[1]．そのため，話者照合システrnムの課題としてシステム自体の精度向上だけでなく，rnスピーカー再生によるなりすまし攻撃に対する頑健rn性向上も重要課題となり，国内外で活発に研究が行わrnれている[2]．rnこれまでにスピーカー再生によるなりすまし攻撃rnに対する根本的な解決策の1 つとして入力音声が人rn間が実際に発声したものか否かを判定する声の生体rn検知が提案されている[3]．また，同論文にて声の生rn体検知を実現する手法として，入力音声にポップノイrnズ[4] が発生しているかを検出する方法が有用であるrnことが報告されている．また，著者らはポップノイズrn検出後にポップノイズ区間にかかる音素を考慮してrn声の生体検知を行う音素情報に基づくポップノイズrn検出法を提案し，なりすまし攻撃に対する頑健性がrn向上することを報告してきた[5]．rn音素情報に基づくポップノイズ検出法では，話者依rn存の音素リストやプロンプト文の使用を前提としてrnきたが，近年普及しつつあるスマートスピーカーやスrnマートフォン等の認証システムは発話内容を固定すrnることを前提にしている場合が多い．そこで本研究rnではテキスト依存の音素情報を用いた生体検知法をrn行い，日本語および英語の特定フレーズを用いた生rn体検知実験による性能評価と考察について報告する．