买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院自动化研究所申请的专利基于小样本学习的多域声学特征融合的伪造音频鉴别方法和计算装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120656480B 。

龙图腾网通过国家知识产权局官网在2025-12-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510792612.7，技术领域涉及：G10L25/51；该发明授权基于小样本学习的多域声学特征融合的伪造音频鉴别方法和计算装置是由王博;赵鹏鹏;王有文;张欣怡;罗冠;胡卫明设计研发完成，并于2025-06-13向国家知识产权局提交的专利申请。

本基于小样本学习的多域声学特征融合的伪造音频鉴别方法和计算装置在说明书摘要公布了：提供了一种基于小样本学习的多域声学特征融合的伪造音频鉴别方法和计算装置。所述方法包括：获取待鉴别音频，并对所述待鉴别音频进行预处理；从经预处理的待鉴别音频中提取梅尔频率倒谱系数、梅尔频谱图和音高；将梅尔频率倒谱系数、梅尔频谱图和音高进行融合以得到融合特征；将融合特征输入至预训练的分类模型，生成待鉴别音频为真实或伪造的概率分布；以及根据概率分布，判断待鉴别音频为真实或伪造。其中，提取梅尔频率倒谱系数的步骤中包括动态范围压缩，提取梅尔频谱图的步骤包括采用高分辨率的梅尔滤波器组，提取音高的步骤包括抗噪处理。本申请的伪造音频鉴别方法通过小样本学习和多域声学特征以有效克服数据不足、泛化性不足的问题。

本发明授权基于小样本学习的多域声学特征融合的伪造音频鉴别方法和计算装置在权利要求书中公布了：1.一种基于小样本学习的多域声学特征融合的伪造音频鉴别方法，其特征在于，所述伪造音频鉴别方法包括以下步骤： 获取待鉴别音频，并对所述待鉴别音频进行预处理； 从经预处理的待鉴别音频中提取梅尔频率倒谱系数、梅尔频谱图和音高； 将所述梅尔频率倒谱系数、所述梅尔频谱图和所述音高进行融合以得到融合特征； 将所述融合特征输入至预训练的分类模型，生成所述待鉴别音频为真实或伪造的概率分布；以及根据所述概率分布判断所述待鉴别音频为真实或伪造，其中，所述提取梅尔频率倒谱系数、梅尔频谱图和音高的步骤包括： 对所述待鉴别音频的每帧执行短时傅里叶变换以获得频谱； 针对所述频谱执行动态范围压缩以得到压缩后的频谱，对所述压缩后的频谱应用第一梅尔滤波器组得到第一梅尔频谱，并对所述第一梅尔频谱进行离散余弦变换以得到所述梅尔频率倒谱系数； 针对所述频谱应用第二梅尔滤波器组得到第二梅尔频谱，并将所述第二梅尔频谱作为所述梅尔频谱图进行输出，其中，所述第二梅尔滤波器组的滤波器数量大于所述第一梅尔滤波器组的滤波器数量，并且所述第二梅尔滤波器组在高频段的滤波器数量大于所述第二梅尔滤波器组在低频段的滤波器数量；以及通过自相关算法计算所述待鉴别音频的基频以提取所述音高，其中，所述针对所述频谱执行动态范围压缩的步骤采用如下公式： ，其中，是频谱，f表示频率，C是压缩系数，其中，所述通过自相关算法计算所述待鉴别音频的基频以提取所述音高的步骤包括： 计算所述待鉴别音频的每帧的自相关函数，其中，所述自相关函数表示为，是所述自相关函数，对于总共N个采样点来说，是表示所述待鉴别音频在第n个采样点的幅值，是延迟，N为正整数，n的取值范围为0到N‑1；通过使用低通滤波器滤除所述自相关函数的高频噪声并使用峰值检测算法识别所述自相关函数的主峰以执行抗噪处理；以及根据所述自相关函数的所述主峰的位置计算所述音高，其中，所述音高表示为，是所述音高，是所述自相关函数的所述主峰的位置，并且其中，所述预训练的分类模型为EfficientNet模型，所述EfficientNet模型包括：自适应卷积层，根据所述融合特征动态调整卷积核参数以生成自适应特征；层次化卷积架构，包括串联设置的多个卷积层，所述多个卷积层逐层对输入特征进行卷积操作，所述多个卷积层的首层的输入特征为所述自适应特征，所述多个卷积层的每层的输出特征作为其下一层的输入特征；以及输出层，包括分类头，所述分类头基于所述层次化卷积架构的每层输出的特征获得所述待鉴别音频为真实或伪造的概率分布，其中，所述卷积核参数通过下式获得： ，其中，为所述卷积核参数，是所述融合特征，是根据所述融合特征动态调整的卷积核权重。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。