Опубликовано: 29.07.2026 | Источник: CNews (новости)

Голосовая аутентификация в дипломе: учёт состояния говорящего как фактор защиты

В марте 2026 года учёные ОмГТУ представили метод голосовой аутентификации, который анализирует не только голосовые характеристики, но и психоэмоциональное состояние человека. Это значит, что система способна отличить запись спокойной речи от взволнованной — даже если говорит один и тот же человек. Для ИТ-дипломов такой подход открывает сразу несколько перспективных направлений: от проектирования многофакторных систем до разработки алгоритмов анти-спуфинга.

Ниже — как техническую новость превратить в защищённую ВКР, какие задачи ставить и какие метрики собирать.

Темы ВКР на основе разработки ОмГТУ

1. Система голосовой аутентификации с учётом эмоционального контекста

Актуальность: существующие решения (например, VoiceIt или Microsoft Speaker Recognition) не учитывают эмоциональную вариативность, что приводит к ложным отказам при стрессе. Метод омских учёных показывает, что учёт состояния снижает EER на 12–15%.

Цель: разработать прототип системы, которая классифицирует эмоцию (спокойствие / тревога / радость) и использует эту метку при сравнении голосовых слепков.

Задачи:

• Собрать и размеченный датасет (например, RAVDESS + собственная запись)
• Спроектировать пайплайн: извлечение MFCC → DNN-классификатор эмоций → i-векторное сравнение
• Реализовать REST API на FastAPI для интеграции с веб-интерфейсом
• Провести нагрузочное тестирование (1000 запросов, RTO ≤ 2 с)

Структура: Глава 1 — обзор биометрических методов и стандартов ISO/IEC 19795; Глава 2 — архитектура, диаграммы прецедентов, схема БД; Глава 3 — реализация и оценка точности.

2. Анализ влияния шума на качество голосовой аутентификации в гетерогенной среде

Актуальность: в статье подчёркивается, что состояние говорящего — не единственный фактор; шум (улица, офис, ветер) деградирует точность. При проектировании реальных систем этот аспект часто упускают.

Цель: экспериментально оценить ухудшение метрик FAR/FRR при разных SNR (20, 10, 0 дБ) и предложить метод компенсации (фильтрация + обучение на зашумлённых данных).

Задачи:

• Подготовить чистый и зашумлённый датасеты (NOISEX-92 + собственные записи)
• Реализовать baseline (GMM-UBM) и предложенный pipeline (x-вектор + адаптивная фильтрация)
• Построить ROC-кривые для каждого уровня шума
• Оценить вычислительную сложность (flops) — обосновать целесообразность для edge-устройств

Структура: Глава 1 — теория акустического моделирования; Глава 2 — план эксперимента, инструментарий (Python, librosa, Kaldi); Глава 3 — результаты и рекомендации по внедрению.

3. Прототип голосовой аутентификации для IoT с защитой от спуфинга

Актуальность: метод ОмГТУ потенциально устойчив к атакам повторного воспроизведения, так как динамика эмоции сложна для имитации. Это можно развить в дипломе.

Цель: разработать embedded-систему на Raspberry Pi, которая выполняет голосовую аутентификацию с анти-спуфинг-модулем (Live Voice Detection).

Задачи:

• Выбрать микропроцессорную платформу и аудио-модуль (ReSpeaker или USB-микрофон)
• Портировать lite-версию модели (TFLite или ONNX) на устройство
• Реализовать детектор атаки: проверка на естественные паузы, спектральные аномалии
• Сравнить время выполнения на RPi 4 и RPi 5

Структура: Глава 1 — обзор IoT-биометрии и спуфинг-атак; Глава 2 — архитектура «облако + edge»; Глава 3 — экономическая оценка (TCO, срок окупаемости).

Применяем статью в разделах диплома

Аналитическая глава: почему GMM-UBM уступает DNN

В вашем обзоре нужно сравнить классические методы (Gaussian Mixture Model — Universal Background Model) и современные нейросетевые подходы. Разработка ОмГТУ базируется на DNN-экстракторах — это аргумент в пользу выбора глубокого обучения. Совет: включите таблицу сравнения:

Проектная часть: архитектура и интеграция

Что заимствуем из статьи: концепцию двухэтапного анализа — сначала детектор состояния (эмоции), затем голосовое сравнение. В вашей ВКР это можно реализовать как последовательность микросервисов:

• Audio Preprocessor: нормализация, удаление шума (MLS-фильтр)
• Emotion Predictor: CNN с архитектурой VGG-like, обученный на RAVDESS
• Voice Comparator: x-vector + PLDA, порог принятия решения адаптируется под эмоцию
• API Gateway: оркестрация, кэширование результатов

Добавьте UML-диаграмму последовательности для сценария «аутентификация после неудачной попытки». Укажите, как учитывается требование ГОСТ 34.602-89 к ТЗ: «система должна обеспечивать вероятность ложного доступа не более 0.001».

Тестирование и метрики

Кроме стандартных FAR/FRR, для дипломов с уклоном в безопасность потребуются:

• RTO (Recovery Time Objective) — время восстановления пайплайна после сбоя (≤ 2 мин)
• RPO (Recovery Point Objective) — потеря данных при отказе не более 1 минуты
• Нагрузочное тестирование: JMeter или Locust — 1000 виртуальных пользователей, аптайм 99.5%

Пример из статьи: «система ОмГТУ обрабатывает запрос за 1.2 с на GPU Nvidia T4». Сравните с вашей реализацией — даже если показатели скромнее, это показывает понимание ограничений.

Чему вы научитесь, сделав такой диплом

• Проектировать пайплайны обработки аудио в реальном времени
• Обосновывать выбор стека (Python vs C++, ONNX vs TensorRT) с метриками
• Строить ROC-кривые, считать DET-кривые — обязательный навык для биометрических систем
• Оформлять техническую документацию по ГОСТ 34.602-89 и ISO/IEC 25010
• Проводить экономическое обоснование (TCO, NPV) — для комиссии это сильный плюс

Источник: В Омском политехе разработали систему голосовой аутентификации (опубликовано 2026-03-16)