تشخیص انتها به انتها حملات جعل بازپخش صدا به کمک شبکه cnn-vit جهت بهبود تعمیم پذیری

با وجود پیشرفت سیستم های تایید خودکار گوینده (asv)، این سیستم ها در مواجهه با حملات جعل بازپخش که نیازی به مهارت خاص یا سخت افزار تخصصی جهت اعمال به سیستم های asv ندارند، آسیب پذیر هستند. در این مقاله سعی داریم با استفاده از ساختار شبکه ی عصبی کانولوشنی (cnn) و به دنبال آن ترنسفرمر بینایی (vit)، یک رویکرد جدید یادگیری عمیق برای تشخیص حملات بازپخش صدا ارائه دهیم. با استفاده از این سیستم واحد، نتایج نرخ خطای برابر (eer) نشان از بهبود 84/23 درصدی در دادگان توسعه، 02/30 درصدی در دادگان ارزیابی و5/35 درصدی در تعمیم پذیری نسبت به روش های پایه موجود در چالش asvspoof2017 دارد.