Publicación: Accent based model for speech spoofing countermeasures.
Autores
Resumen en inglés
This research focuses on the development of a robust anti-spoofing system capable of accurately detecting diverse types of spoofing attacks, including speech synthesis and speech conversion, across multiple accents. These spoofing attacks pose a significant security threat, potentially resulting in unauthorized access, financial fraud, and identity theft. With the emergence of deep learning generative architectures, the vulnerability to spoofing attacks has heightened. However, the challenge lies in the performance degradation of anti-spoof models trained on English datasets when applied to Spanish datasets due to accent bias and the inadequate consideration of multiple accents in training datasets or feature extraction processes. To tackle this issue, the research aims to develop a comprehensive anti-spoofing architecture that encompasses front-end models for feature extraction and back-end models for classification. By evaluating the impact of different front-end and back-end architectures on diverse training sets, considering language and accent diversity, and analyzing the correlation between accents and feature extraction, the study seeks to enhance the robustness of anti-spoofing systems. The ultimate goal is to enable the detection of spoofing attacks regardless of the attacker’s accent or language.
Resumen en español
Esta investigación se centra en el desarrollo de un sistema antisuplantación robusto capaz de detectar con precisión diversos tipos de ataques de suplantación de identidad, incluida la síntesis y la conversión de voz, en múltiples acentos. Estos ataques de suplantación de identidad suponen una importante amenaza para la seguridad y pueden dar lugar a acceso no autorizado, fraude financiero y robo de identidad. Con la aparición de arquitecturas generativas de aprendizaje profundo, la vulnerabilidad a los ataques de suplantación de identidad ha aumentado. Sin embargo, el desafío radica en la degradación del rendimiento de los modelos anti-spoof entrenados en conjuntos de datos en inglés cuando se aplican a conjuntos de datos en español debido al sesgo de acento y la consideración inadecuada de múltiples acentos en conjuntos de datos de entrenamiento o procesos de extracción de características. Para abordar este problema, la investigación tiene como objetivo desarrollar una arquitectura integral anti-suplantación de identidad que abarque modelos de front-end para la extracción de características y modelos de back-end para la clasificación. Al evaluar el impacto de diferentes arquitecturas de front-end y back-end en diversos conjuntos de capacitación, considerando la diversidad de idiomas y acentos, y analizando la correlación entre los acentos y la extracción de características, el estudio busca mejorar la solidez de los sistemas anti-spoofing. El objetivo final es permitir la detección de ataques de suplantación de identidad independientemente del acento o idioma del atacante.
PDF 
FLIP 
