なりすまし音声検出

なりすまし音声検出とは

音声合成や生成AI技術の発展により、特定の人物に似せた音声を容易に作れるようになりました。著名人の声に似せた音声を作ることで虚偽情報を発信するなど、社会問題にもなっており、なりすまし音声であるかを判断することの重要性が増しています。なりすまし音声検出は、入力された音声が、人間が実際に発声したか否かを識別する技術です。

なりすまし音声検出の仕組み

なりすまし音声検出システムは、入力された音声から特徴を抽出し、識別モデルを用いて人間が発声した音声かなりすまし音声による攻撃かを判定します。

なりすまし音声攻撃は、大きく「スピーカー再生による攻撃」と「合成音声による攻撃」に分けられます。

スピーカー再生による攻撃 人間の声を攻撃者がマイクで収録し、収録した音声をスピーカー等で再生することで、システムの突破を図る攻撃のことをいいます。

合成音声による攻撃 テキスト音声合成や声質変換を活用した合成音声を用いて、特定の話者を標的として、意図していない発声を捏造するような攻撃のことをいいます。

近年は、どちらの攻撃への対策としても深層ニューラルネットワークを用いてさまざまな音声の特徴を学習する手法が主流となっています。 一方で、未知の生成手法や高性能な再生機器、圧縮や通信路の違いにも対応する必要があります。

研究室での取り組み

当研究室では、深層学習や音声信号処理を用いた、頑健ななりすまし音声検出のモデルの構築に取り組んでいます。特に、データベースの構築や、空間情報を組み合わせる検出手法について研究しています。