Detekce podvržené řeči na bázi DNN

Abstract

Tato práce se zabývá detekcí podvržené řeči v českém jazyce s využitím neuronové sítě ResNet a jednotřídní klasifikace pomocí OC Softmax. Teoretická část představuje problematiku syntetické řeči, zejména pak její možné zneužití, a současné přístupy k detekci tzv. podvržené řeči. Praktická část popisuje návrh a realizaci systému, včetně vytvoření českého datasetu obsahujícího přirozené i syntetické promluvy. Popsány jsou použité vstupní příznaky, architektura sítě a další úpravy. Funkčnost systému je ověřena experimentálně, včetně návrhu nové upravené klasifikační funkce pro hodnocení kvality syntetické řeči. Dosažené výsledky ukazují, že kombinace ResNet a modifiko- vaného OC Softmaxu účinně detekuje podvrženou řeč i v náročných podmínkách a generalizuje na neznámé systémy i akustické prostředí.This thesis focuses on the detection of spoofed speech in the Czech language using a ResNet-based neural network and one-class classification with OC Softmax. The theoretical part introduces the state-of-the-art of synthetic speech generation, its potential misuse, and current detection approaches of so called spoofed speech. The practical part presents the design and implementation of the detection system, including the creation of a Czech dataset containing both natural and synthetic utterances. It describes the input features, network architecture, and additional modifications. The systems functionality is experimentally verified, including the proposal of a new modified scoring function for evaluating the quality of synthetic speech. Obtained results show that the combination of ResNet and modified OC Softmax effectively detects spoofed speech and generalizes well to unknown systems and acoustic conditions.