-
公开(公告)号：CN115083422A
公开(公告)日：2022-09-20
申请号：CN202210859678.X
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种语音溯源取证方法及装置、设备及存储介质，所述方法包括：本提取待测试语音的至少两种不同的声学特征；对提取的待测试语音的至少两种不同的声学特征进行融合，得到第一融合声学特征；基于预先训练的语音溯源取证模型，从所述第一融合声学特征中提取帧级别的算法指纹特征，对帧级别的算法指纹特征进行池化平均，根据池化平均得到的特征加权平均向量和加权标准差向量计算段级别的算法指纹特征，以基于段级别的算法指纹特征预测出待测试语音的生成算法；将预测出的待测试语音的生成算法作为语音溯源取证结果，通过提取算法指纹，不仅可以判断音频的真实性，而且可以进一步溯源取证，得到虚假音频的生成来源。
-
公开(公告)号：CN115083422B
公开(公告)日：2022-11-15
申请号：CN202210859678.X
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种语音溯源取证方法及装置、设备及存储介质，所述方法包括：本提取待测试语音的至少两种不同的声学特征；对提取的待测试语音的至少两种不同的声学特征进行融合，得到第一融合声学特征；基于预先训练的语音溯源取证模型，从所述第一融合声学特征中提取帧级别的算法指纹特征，对帧级别的算法指纹特征进行池化平均，根据池化平均得到的特征加权平均向量和加权标准差向量计算段级别的算法指纹特征，以基于段级别的算法指纹特征预测出待测试语音的生成算法；将预测出的待测试语音的生成算法作为语音溯源取证结果，通过提取算法指纹，不仅可以判断音频的真实性，而且可以进一步溯源取证，得到虚假音频的生成来源。
-
公开(公告)号：CN115083423A
公开(公告)日：2022-09-20
申请号：CN202210861979.6
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种语音鉴别的数据处理方法和装置，涉及语音识别技术、人工智能和计算机技术领域，上述数据处理方法包括：获取待鉴别音频；对上述待鉴别音频进行特征提取，得到初始声学特征；对上述初始声学特征进行量化处理，得到量化声学特征；将上述量化声学特征输入至目标语音鉴别模型中进行处理，输出得到上述待鉴别音频的真伪结果，上述目标语音鉴别模型为参数预训练好且经过量化后的语音鉴别模型。在确保语音真伪鉴别准确率的基础上能够提升语音真伪鉴别的鉴别速度，提升数据处理的效率。
-
公开(公告)号：CN114937455B
公开(公告)日：2022-10-11
申请号：CN202210861977.7
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G10L17/04 , G10L15/187 , G10L17/02 , G10L17/14 , G06K9/62
Abstract: 本公开涉及一种语音检测方法及装置、设备及存储介质，所述方法包括：接收待检测语音，根据待检测语音的编码状态序列中每一个编码状态向量及其对应的权重值确定语义声学特征；将待检测语音输入预先训练好的语音检测模型，将所述语音检测模型的隐藏层的输出作为语音声学特征；拼接所述语义声学特征和所述语音声学特征，并将拼接后的声学特征输入所述语音检测模型的输出层，输出待检测语音是真实的还是伪造的检测结果，结合待检测语音的语义声学特征检测语音的真伪，通过语义声学特征中待检测语音的编码状态向量与解码状态向量之间的相关性，能够结合待检测语音的上下文之间的相关性检测语音的真伪，提高检测的准确性。
-
公开(公告)号：CN115083421A
公开(公告)日：2022-09-20
申请号：CN202210859650.6
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种自动寻参的语音鉴别模型的构建方法及装置，能自动调整超参数至最优，该方法包括：获取训练集中的语音数据；基于预训练语音特征提取模型，对语音数据进行特征提取，得到语音特征；将语音特征输入至轻量化可微结构并作为初始节点，根据搜索空间预定义的候选操作进行网络结构搜索，得到包含所有候选分支路径和候选节点的候选网络结构；其中候选操作表征从前一节点到后一节点的网络连接关系；将语音数据为真伪语音的真实结果作为训练标签，在训练过程中对候选网络结构的节点之间候选操作对应的结构权重进行调整；根据训练完成的结构权重，对候选网络结构进行精简，得到目标网络结构；根据目标网络结构，生成语音鉴别模型。
-
Patent Agency Ranking
公开(公告)号：CN114937455A
公开(公告)日：2022-08-23
申请号：CN202210861977.7
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G10L17/04 , G10L15/187 , G10L17/02 , G10L17/14 , G06K9/62
Abstract: 本公开涉及一种语音检测方法及装置、设备及存储介质，所述方法包括：接收待检测语音，根据待检测语音的编码状态序列中每一个编码状态向量及其对应的权重值确定语义声学特征；将待检测语音输入预先训练好的语音检测模型，将所述语音检测模型的隐藏层的输出作为语音声学特征；拼接所述语义声学特征和所述语音声学特征，并将拼接后的声学特征输入所述语音检测模型的输出层，输出待检测语音是真实的还是伪造的检测结果，结合待检测语音的语义声学特征检测语音的真伪，通过语义声学特征中待检测语音的编码状态向量与解码状态向量之间的相关性，能够结合待检测语音的上下文之间的相关性检测语音的真伪，提高检测的准确性。
-
公开(公告)号：CN115083423B
公开(公告)日：2022-11-15
申请号：CN202210861979.6
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种语音鉴别的数据处理方法和装置，涉及语音识别技术、人工智能和计算机技术领域，上述数据处理方法包括：获取待鉴别音频；对上述待鉴别音频进行特征提取，得到初始声学特征；对上述初始声学特征进行量化处理，得到量化声学特征；将上述量化声学特征输入至目标语音鉴别模型中进行处理，输出得到上述待鉴别音频的真伪结果，上述目标语音鉴别模型为参数预训练好且经过量化后的语音鉴别模型。在确保语音真伪鉴别准确率的基础上能够提升语音真伪鉴别的鉴别速度，提升数据处理的效率。
-
公开(公告)号：CN115083421B
公开(公告)日：2022-11-15
申请号：CN202210859650.6
申请日：2022-07-21
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
Abstract: 本公开涉及一种自动寻参的语音鉴别模型的构建方法及装置，能自动调整超参数至最优，该方法包括：获取训练集中的语音数据；基于预训练语音特征提取模型，对语音数据进行特征提取，得到语音特征；将语音特征输入至轻量化可微结构并作为初始节点，根据搜索空间预定义的候选操作进行网络结构搜索，得到包含所有候选分支路径和候选节点的候选网络结构；其中候选操作表征从前一节点到后一节点的网络连接关系；将语音数据为真伪语音的真实结果作为训练标签，在训练过程中对候选网络结构的节点之间候选操作对应的结构权重进行调整；根据训练完成的结构权重，对候选网络结构进行精简，得到目标网络结构；根据目标网络结构，生成语音鉴别模型。
-
公开(公告)号：CN117496394A
公开(公告)日：2024-02-02
申请号：CN202311337406.4
申请日：2023-10-16
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06V20/40 , G06V40/16 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/084 , G06N3/0464 , G10L25/57 , G10L25/30
Abstract: 本发明提供一种基于图像和语音多模态融合的伪造视频检测方法及装置，该方法涉及视频检测技术领域，包括：将待检测视频进行预处理，得到多个视频片段；待检测视频包括音频，每个视频片段包括音频；针对每个视频片段，分别提取视频片段的视频特征向量和视频片段中的音频的音频特征向量；基于各视频特征向量和各音频特征向量，确定待检测视频对应的总视频特征向量和总音频特征向量；基于各视频特征向量、各音频特征向量、总视频特征向量和总音频特征向量，确定待检测视频的目标检测结果；目标检测结果表示待检测视频为伪造视频或者真实视频，提升了待检测视频的目标检测结果的准确性，进而提升了对待检测视频中深度伪造内容的检测精度。
-
公开(公告)号：CN117035058A
公开(公告)日：2023-11-10
申请号：CN202310971765.9
申请日：2023-08-03
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明属于联邦学习领域，提供了一种基于联邦学习模型的训练方法，包括以下步骤：S11，定义问题：确定需要解决的机器学习问题、本地数据的来源、以及参与联邦学习的设备或节点；S12，模型选择和初始化：选择相应的模型，并在所有的本地设备或节点上初始化相应的模型，并下发至所有用户端；S13，本地训练：每个本地设备或节点使用其本地数据集对初始化的模型进行训练，得到一个本地模型；S14，模型聚合：在中央服务器上聚合本地模型；本发明通过在每个本地设备或节点都可以进行本地模型的训练和更新，进一步分散计算负载，提高训练速度和效率；通过设定停止条件来控制模型更新的频率，进而避免过度拟合等问题。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.074 seconds)
