CNN 기반 엔드투엔드 재생 스푸핑 탐지의 일반화 한계와 효율적 설계

본 논문은 2017년 ASVspoof 챌린지에서 제시된 재생 공격 데이터베이스를 대상으로, 기존 최고 성능을 기록한 CNN 기반 시스템을 엔드투엔드 형태로 재현하고 그 일반화 성능을 체계적으로 분석한다. 먼저, ASVspoof 2017 데이터셋의 구성과 특성을 소개한다. 훈련 세트는 10명의 화자, 1 508개의 진짜와 1 508개의 스푸핑 음성으로 구성되며, 개발 세트는 8명의 화자와 760개의 진짜, 950개의 스푸핑, 평가 세트는 24명의 화자와 1 298개의 진짜, 12 922개의 스푸핑을 포함한다. 각 스푸핑은 재생 장치(P), 녹음 장치(R), 환경(E)의 조합으로 정의된 ‘스푸핑 구성’에 따라 다양하게 변한다. 특히 개발 세트에는 훈련에 존재하지 않는 새로운 장치와 환경이 포함돼, 모델이 보지 못한 조건에 대한 일반화 능력을 시험한다. 연구진은 먼저