攻击语音检测方法、装置、电子设备及可读存储介质与流程

1.本发明涉及智能决策领域，尤其涉及一种攻击语音检测方法、装置、电子设备及可读存储介质。


背景技术：

2.攻击语音指的是被盗且用于非法行为的音频，例如，某些需要进行语音识别的app登录界面容易出现攻击语音。
3.随着声纹识别技术的快速发展，现如今的社会已经在多种认证场景运用到了声纹识别技术，从而遏制了部分的攻击语音。但是，随着移动设备和录音设备的逐渐完善，获取目标用户的声纹也就变的越来越容易，就会对声纹识别系统带来极大的威胁，用户的信息安全得不到保障，同样也会对信息安全领域带来影响。


技术实现要素：

4.本发明提供一种攻击语音检测方法、装置、电子设备及可读存储介质，其目的在于提高攻击语音检测的准确率及效率。
5.为实现上述目的，本发明提供的一种攻击语音检测方法，所述方法包括：
6.获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号；
7.从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征；
8.利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果；
9.根据所述分类结果，判定所述待检测语音是否为攻击语音。
10.可选地，所述利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，包括：
11.对所述待检测对数功率谱特征进行预设次数的卷积池化处理，得到对数功率谱特征矩阵；
12.对所述对数功率谱特征矩阵进行维度转化，得到低维对数功率谱特征矩阵；
13.利用所述分类模型中的激活函数对所述低维对数功率谱特征矩阵进行计算，得到计算结果，并将所述计算结果作为分类结果输出。
14.可选地，所述利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，包括：
15.对所述待检测语音进行噪音切除处理，得到待检测目标语音信号；
16.利用下述公式对所述计算所述待检测目标语音信号的残差信号，得到待检测语音残差信号r(t)：
[0017][0018]
其中，s(t)是t时刻输入的待检测目标语音信号，其中t为当前时间点，ck是线性预测系数，k是做线性预测的阶数。
[0019]
可选地，所述对所述待检测语音进行噪音切除处理，得到待检测目标语音信号，包括：
[0020]
对所述待检测语音进行采样量化处理，得到待检测语音信号；
[0021]
对所述待检测语音信号进行预加重处理，得到一次处理待检测语音信号；
[0022]
对所述一次处理待检测语音信号进行分帧处理，得到二次处理待检测语音信号；
[0023]
对所述二次处理待检测语音信号进行加窗处理，得到待检测目标语音信号。
[0024]
可选地，所述从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，包括：
[0025]
对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域；
[0026]
对所述待检测语音残差信号频域进行对数转换，得到待检测对数功率谱特征。
[0027]
可选地，所述对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域，包括：
[0028]
利用下述公式计算所述待检测语音残差信号的频域部分
[0029][0030]
其中，n为采样点，n是时域信号中采样点的最大个数，s(t)是待检测语音残差信号的时域，jw是自变量。
[0031]
可选地，所述根据所述分类结果，判定所述待检测语音是否为攻击语音，包括：
[0032]
判断所述分类结果是否大于预设阈值；
[0033]
当所述分类结果大于预设阈值时，判定所述待检测语音不是攻击语音；
[0034]
当所述分类结果不大于预设阈值时，判定所述待检测语音是攻击语音。
[0035]
为了解决上述问题，本发明还提供一种线下产品推荐装置，所述装置包括：
[0036]
残差信号提取模块，用于获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号；
[0037]
对数功率谱特征提取模块，用于从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征；
[0038]
分类结果获取模块，用于利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果；
[0039]
分类结果判定模块，用于根据所述分类结果，判定所述待检测语音是否为攻击语音。
[0040]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0041]
存储器，存储至少一个计算机程序；及
[0042]
处理器，执行所述存储器中存储的计算机程序以实现上述所述的攻击语音检测方法。
[0043]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的攻击语音检测方法。
[0044]
本发明实施例利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，用于区别所述待检测语音与实际语音的信道差异，加大了攻击语音的辨别力度，从而提高了攻击语音检测的准确率，进一步地，从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，从而获得判断所述待检测语音与用户实际语音的区别的依据，提高了攻击语音辨别的准确率，确保了用户信息的安全性，最后，利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，并根据所述分类结果，判定所述待检测语音是否为攻击语音，简化了判断过程，节省了大量判断时间，提高了攻击语音检测效率。因此，本发明实施例提出的攻击语音检测方法、装置、电子设备及可读存储介质可以提高攻击语音检测的准确率及效率。
附图说明
[0045]
图1为本发明一实施例提供的攻击语音检测方法的流程示意图；
[0046]
图2为本发明一实施例提供的攻击语音检测装置的模块示意图；
[0047]
图3为本发明一实施例提供的实现攻击语音检测方法的电子设备的内部结构示意图；
[0048]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0049]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0050]
本发明实施例提供一种攻击语音检测方法。所述攻击语音检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述攻击语音检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以包括独立的服务器，也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0051]
参照图1所示的本发明一实施例提供的攻击语音检测方法的流程示意图，在本发明实施例中，所述攻击语音检测方法包括以下步骤s1-s4：
[0052]
s1、获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号。
[0053]
本发明实施例中，所述待检测语音可以是声纹识别系统中需要识别的语音，例如，保险箱声纹锁解锁过程中，用户提供的通过移动设备或录音设备录制的语音。所述线性预测算法可以是利用当前时间点的前几个时间点来进行模拟当前时间点的信号的算法。
[0054]
本发明可选实施例中，可以通过声纹识别系统的登录页面获取待检测语音，进一
步地，可以通过提取所述待检测语音中的声纹判断所述待检测语音是否为所述声纹识别系统中包含的目标人的语音片段，初步保障了用户信息的安全性。
[0055]
本发明实施例利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，从而获取所述待检测语音与实际语音的信道差异。
[0056]
进一步地，作为本发明一可选实施例，所述利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，包括以下步骤s11—s12：
[0057]
s11、对所述待检测语音进行噪音切除处理，得到待检测目标语音信号；
[0058]
s12、利用下述公式对所述计算所述待检测目标语音信号的残差信号，得到待检测语音残差信号r(t)：
[0059][0060]
其中，s(t)是t时刻输入的待检测目标语音信号，其中t一般为当前时间点，ck是线性预测系数，k是做线性预测的阶数，取值为1-p。
[0061]
本发明实施例对所述待检测语音进行噪音切除处理，得到待检测目标语音信号，确保了语音信号的清晰，降低了噪声的干扰等因素影响，从而提高残差信号的准确率，提高信道差异的辨别率。
[0062]
进一步地，作为本发明一可选实施例，所述对所述待检测语音进行噪音切除处理，得到待检测目标语音信号，包括以下步骤s111—s114：
[0063]
s111、对所述待检测语音进行采样量化处理，得到待检测语音信号；
[0064]
s112、对所述待检测语音信号进行预加重处理，得到一次处理待检测语音信号；
[0065]
s113、对所述一次处理待检测语音信号进行分帧处理，得到二次处理待检测语音信号；
[0066]
s114、对所述二次处理待检测语音信号进行加窗处理，得到待检测目标语音信号。
[0067]
本发明可选实施例中，语音一般为模拟信号，因此需要对待检测语音进行采样量化处理，将所述待检测语音转化为数字信号。
[0068]
本发明可选实施例中，通过采用传递函数为一阶fir的高通滤波器来实现对所述待检测语音信号的预加重处理，从而突出语音的高频部分，消除因为用户说话人唇部辐射而导致的影响。
[0069]
本发明可选实施例中，语音信号本身是一种不稳定的信号，主要是靠发声器官的短暂变化引起的，因此，可以利用短时处理实现对所述一次处理待检测语音信号及所述一次处理原始语音信号的分帧处理，确保声音信号在极短时间内的稳定性。
[0070]
本发明可选实施例中，由于分帧之后，语音信号会越来越背离原始信号，因此，我们可以通过对所述二次处理待检测语音信号及所述二次处理原始语音信号进行加窗处理，减少帧开始和结束时信号不连续性的问题。
[0071]
s2、从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征。
[0072]
本发明实施例中，所述对数功率谱特征可以是原始频谱特征，表现为信号功率随着频率的变化关系。
[0073]
本发明实施例从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，从而获得判断所述待检测语音与用户实际语音的区别的依据，提高了攻击语音辨别的准确率，确保了用户信息的安全性。
[0074]
进一步地，作为本发明一可选实施例，所述从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，包括以下步骤s21—s22：
[0075]
s21、对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域；
[0076]
s22、对所述待检测语音残差信号频域进行对数转换，得到待检测对数功率谱特征。
[0077]
进一步地，作为本发明一可选实施例，所述对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域，包括：
[0078]
利用下述公式计算所述待检测语音残差信号的频域部分
[0079][0080]
其中，n为采样点，n是时域信号中采样点的最大个数，s(t)是待检测语音残差信号的时域，jw是自变量。
[0081]
本发明可选实施例中，通过傅里叶变化函数将待检测语音的时域信号转化为频域信号，进一步计算所述待检测语音的对数功率谱特征，从而区分所述待检测语音及用户实际语音的区别，保障了用户的信息安全。
[0082]
s3、利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果。
[0083]
本发明实施例中，所述分类模型可以是基于大量实际语音数据与攻击语音数据进行深度学习的轻型卷积神经网络模型。
[0084]
本发明实施例利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，减少了人为判断，提高了智能化程度，从而提高了攻击语音的辨别率及攻击语音辨别的准确率，进一步地，提高了用户声纹识别时的信息安全性。
[0085]
进一步地，本发明一可选实施例中，所述利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，包括以下步骤s31—s33：
[0086]
s31、对所述待检测对数功率谱特征进行预设次数的卷积池化处理，得到对数功率谱特征矩阵；
[0087]
s32、对所述对数功率谱特征矩阵进行维度转化，得到低维对数功率谱特征矩阵；
[0088]
s33、利用所述分类模型中的激活函数对所述低维对数功率谱特征矩阵进行计算，得到计算结果，并将所述计算结果作为分类结果输出。
[0089]
本发明实施例通过对所述待检测对数功率谱特征进行预设次数的卷积池化处理，将所述待检测对数功率谱特征转化为对数功率谱特征矩阵，从而实现待检测对数功率谱特征的细化处理，更好地获取待检测语音与用户的实际语音的区别，从而提高攻击语音的辨别准确率，保障用户的信息安全。
[0090]
s4、根据所述分类结果，判定所述待检测语音是否为攻击语音。
[0091]
本发明实施例中，所述分类结果可以是具体数值。
[0092]
本发明实施例根据所述分类结果，判定所述待检测语音是否为攻击语音，确保了攻击语音的辨别准确率。
[0093]
进一步地，作为本发明一可选实施例，所述根据所述分类结果，判定所述待检测语音是否为攻击语音，包括以下步骤s41—s43：
[0094]
s41、判断所述分类结果是否大于预设阈值；
[0095]
s42、当所述分类结果大于预设阈值时，判定所述待检测语音不是攻击语音；
[0096]
s43、当所述分类结果不大于预设阈值时，判定所述待检测语音是攻击语音。
[0097]
本发明实施例中，所述预设阈值可以是分类模型中经过大数据演练得到的数值。
[0098]
本发明可选实施例中，通过对比分类结果与预设阈值的大小，从而判断待检测语音是否是攻击语音，简化了判断过程，节省了大量判断时间，提高了判断效率。
[0099]
本发明实施例利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，用于区别所述待检测语音与实际语音的信道差异，加大了攻击语音的辨别力度，从而提高了攻击语音检测的准确率，进一步地，从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，从而获得判断所述待检测语音与用户实际语音的区别的依据，提高了攻击语音辨别的准确率，确保了用户信息的安全性，最后，利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，并根据所述分类结果，判定所述待检测语音是否为攻击语音，简化了判断过程，节省了大量判断时间，提高了攻击语音检测效率。因此，本发明实施例提出的攻击语音检测方法可以提高攻击语音检测的准确率及效率。
[0100]
如图2所示，是本发明攻击语音检测装置的功能模块图。
[0101]
本发明所述攻击语音检测装置100可以安装于电子设备中。根据实现的功能，所述攻击语音检测装置100可以包括残差信号提取模块101、对数功率谱特征提取模块102、分类结果获取模块103及分类结果判定模块104，本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0102]
在本实施例中，关于各模块/单元的功能如下：
[0103]
所述残差信号提取模块101用于获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号。
[0104]
本发明实施例中，所述待检测语音可以是声纹识别系统中需要识别的语音，例如，保险箱声纹锁解锁过程中，用户提供的通过移动设备或录音设备录制的语音。所述线性预测算法可以是利用当前时间点的前几个时间点来进行模拟当前时间点的信号的算法。
[0105]
本发明可选实施例中，可以通过声纹识别系统的登录页面获取待检测语音，进一步地，可以通过提取所述待检测语音中的声纹判断所述待检测语音是否为所述声纹识别系统中包含的目标人的语音片段，初步保障了用户信息的安全性。
[0106]
本发明实施例利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，从而获取所述待检测语音与实际语音的信道差异。
[0107]
进一步地，作为本发明一可选实施例，所述利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号，包括以下步骤：
[0108]
对所述待检测语音进行噪音切除处理，得到待检测目标语音信号；
[0109]
利用下述公式对所述计算所述待检测目标语音信号的残差信号，得到待检测语音残差信号r(t)：
[0110][0111]
其中，s(t)是t时刻输入的待检测目标语音信号，其中t一般为当前时间点，ck是线性预测系数，k是做线性预测的阶数，取值为1-p。
[0112]
本发明实施例对所述待检测语音进行噪音切除处理，得到待检测目标语音信号，确保了语音信号的清晰，降低了噪声的干扰等因素影响，从而提高残差信号的准确率，提高信道差异的辨别率。
[0113]
进一步地，作为本发明一可选实施例，所述对所述待检测语音进行噪音切除处理，得到待检测目标语音信号，包括以下步骤：
[0114]
对所述待检测语音进行采样量化处理，得到待检测语音信号；
[0115]
对所述待检测语音信号进行预加重处理，得到一次处理待检测语音信号；
[0116]
对所述一次处理待检测语音信号进行分帧处理，得到二次处理待检测语音信号；
[0117]
对所述二次处理待检测语音信号进行加窗处理，得到待检测目标语音信号。
[0118]
本发明可选实施例中，语音一般为模拟信号，因此需要对待检测语音进行采样量化处理，将所述待检测语音转化为数字信号。
[0119]
本发明可选实施例中，通过采用传递函数为一阶fir的高通滤波器来实现对所述待检测语音信号的预加重处理，从而突出语音的高频部分，消除因为用户说话人唇部辐射而导致的影响。
[0120]
本发明可选实施例中，语音信号本身是一种不稳定的信号，主要是靠发声器官的短暂变化引起的，因此，可以利用短时处理实现对所述一次处理待检测语音信号及所述一次处理原始语音信号的分帧处理，确保声音信号在极短时间内的稳定性。
[0121]
本发明可选实施例中，由于分帧之后，语音信号会越来越背离原始信号，因此，我们可以通过对所述二次处理待检测语音信号及所述二次处理原始语音信号进行加窗处理，减少帧开始和结束时信号不连续性的问题。
[0122]
所述对数功率谱特征提取模块102用于从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征。
[0123]
本发明实施例中，所述对数功率谱特征可以是原始频谱特征，表现为信号功率随着频率的变化关系。
[0124]
本发明实施例从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，从而获得判断所述待检测语音与用户实际语音的区别的依据，提高了攻击语音辨别的准确率，确保了用户信息的安全性。
[0125]
进一步地，作为本发明一可选实施例，所述从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征，包括以下步骤：
[0126]
对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域；
[0127]
对所述待检测语音残差信号频域进行对数转换，得到待检测对数功率谱特征。
[0128]
进一步地，作为本发明一可选实施例，所述对所述待检测语音残差信号进行傅里叶变换，得到待检测语音残差信号频域，包括：
[0129]
利用下述公式计算所述待检测语音残差信号的频域部分
[0130][0131]
其中，n为采样点，n是时域信号中采样点的最大个数，s(t)是待检测语音残差信号的时域，jw是自变量。
[0132]
本发明可选实施例中，通过傅里叶变化函数将待检测语音的时域信号转化为频域信号，进一步计算所述待检测语音的对数功率谱特征，从而区分所述待检测语音及用户实际语音的区别，保障了用户的信息安全。
[0133]
所述分类结果获取模块103用于利用预设的分类模型对所述待检测对数功率谱特征进行分类。
[0134]
本发明实施例中，所述分类模型可以是基于大量实际语音数据与攻击语音数据进行深度学习的轻型卷积神经网络模型。
[0135]
本发明实施例利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，减少了人为判断，提高了智能化程度，从而提高了攻击语音的辨别率及攻击语音辨别的准确率，进一步地，提高了用户声纹识别时的信息安全性。
[0136]
进一步地，本发明一可选实施例中，所述利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果，包括以下步骤：
[0137]
对所述待检测对数功率谱特征进行预设次数的卷积池化处理，得到对数功率谱特征矩阵；
[0138]
对所述对数功率谱特征矩阵进行维度转化，得到低维对数功率谱特征矩阵；
[0139]
利用所述分类模型中的激活函数对所述低维对数功率谱特征矩阵进行计算，得到计算结果，并将所述计算结果作为分类结果输出。
[0140]
本发明实施例通过对所述待检测对数功率谱特征进行预设次数的卷积池化处理，将所述待检测对数功率谱特征转化为对数功率谱特征矩阵，从而实现待检测对数功率谱特征的细化处理，更好地获取待检测语音与用户的实际语音的区别，从而提高攻击语音的辨别准确率，保障用户的信息安全。
[0141]
所述分类结果判定模块104用于根据所述分类结果，判定所述待检测语音是否为攻击语音。
[0142]
本发明实施例中，所述分类结果可以是具体数值。
[0143]
本发明实施例根据所述分类结果，判定所述待检测语音是否为攻击语音，确保了攻击语音的辨别准确率。
[0144]
进一步地，作为本发明一可选实施例，所述根据所述分类结果，判定所述待检测语音是否为攻击语音，包括以下步骤：
[0145]
判断所述分类结果是否大于预设阈值；
[0146]
当所述分类结果大于预设阈值时，判定所述待检测语音不是攻击语音；
[0147]
当所述分类结果不大于预设阈值时，判定所述待检测语音是攻击语音。
[0148]
本发明实施例中，所述预设阈值可以是分类模型中经过大数据演练得到的数值。
[0149]
本发明可选实施例中，通过对比分类结果与预设阈值的大小，从而判断待检测语音是否是攻击语音，简化了判断过程，节省了大量判断时间，提高了判断效率。
[0150]
如图3所示，是本发明实现攻击语音检测方法的电子设备的结构示意图。
[0151]
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如线下产品推荐程序。
[0152]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如线下产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0153]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如线下产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0154]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0155]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0156]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0157]
可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接
口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
[0158]
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0159]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0160]
所述电子设备中的所述存储器11存储的线下产品推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
[0161]
获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号；
[0162]
从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征；
[0163]
利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果；
[0164]
根据所述分类结果，判定所述待检测语音是否为攻击语音。
[0165]
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0166]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0167]
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0168]
获取待检测语音，利用线性预测算法对所述待检测语音进行残差信号提取，得到待检测语音残差信号；
[0169]
从所述待检测语音残差信号中提取对数功率谱特征，得到待检测对数功率谱特征；
[0170]
利用预设的分类模型对所述待检测对数功率谱特征进行分类，得到分类结果；
[0171]
根据所述分类结果，判定所述待检测语音是否为攻击语音。
[0172]
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0173]
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0174]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0175]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0176]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0177]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0178]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0179]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0180]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。