聲紋識(shí)別技術(shù)在身份認(rèn)證方面的應(yīng)用分析

　　虛擬引擎

　　時(shí)變問題

　　人的整個(gè)發(fā)聲系統(tǒng)隨著時(shí)間的推移會(huì)產(chǎn)生一定的變化，這些變化直接導(dǎo)致了其語音信息中的聲紋信息的變化，如果算法或系統(tǒng)不考慮這些變化，那么一段時(shí)間后，系統(tǒng)的識(shí)別性能將有所下降。為此我們錄制了長(zhǎng)達(dá)4年的100人的時(shí)變語音庫，基于此語音庫分析，我們找到了和時(shí)變相關(guān)的一些特征信息和規(guī)律，并試用其對(duì)MFCC和PLP特征的提取過程進(jìn)行了修改。另外在工程方面，以聲密保系為例，其在架構(gòu)設(shè)計(jì)中就考慮到了模型的在線更新問題，并設(shè)計(jì)了專門的語音篩選算法，系統(tǒng)會(huì)定期的挑選用戶符合條件的最新語音進(jìn)行模型的重新訓(xùn)練。

　　噪音問題

　　正如軟件工程中所提的沒有銀彈的概念一樣，任何技術(shù)都有一定的局限性，不可能無限制地應(yīng)用于任何場(chǎng)景，聲紋技術(shù)在大噪音環(huán)境下并不適用。針對(duì)此我們開發(fā)了一套語音質(zhì)量檢測(cè)的庫來對(duì)環(huán)境噪音和語音的信噪比進(jìn)行檢測(cè)，將不符合條件的語音排除在系統(tǒng)之外并對(duì)用戶進(jìn)行提示。此套噪音檢測(cè)系統(tǒng)采用了傳統(tǒng)的基于能量、包絡(luò)、自相關(guān)系數(shù)等特征的檢測(cè)算法和RNN/LSTM相結(jié)合方法，能準(zhǔn)確的檢測(cè)出96%以上不符合條件的場(chǎng)景。

　　防錄音重放攻擊措施

　　在解決這些傳統(tǒng)問題的同時(shí)，為了保證用聲紋進(jìn)行遠(yuǎn)程身份認(rèn)證的安全性，我們還提出了一系列防攻擊措施，包括動(dòng)態(tài)密碼語音、用戶自定義密碼、多特征活體檢測(cè)和錄音重放等。由于篇幅有限，下面詳細(xì)介紹我們?cè)阡浺糁胤派系墓ぷ鳌?/p>

　　錄音重放是一種常見的聲紋特征盜取手段，由于采用動(dòng)態(tài)密碼的方式，很難將一個(gè)人的各種發(fā)音組合全部錄制下來。但我們還是假設(shè)如果把這個(gè)人所有的文本發(fā)音（在聲密保系統(tǒng)中為0～9的數(shù)字發(fā)音）全部錄下來，然后根據(jù)系統(tǒng)提示的數(shù)字密碼進(jìn)行拼接重放，那么還是同一個(gè)人的聲音，是否能夠通過聲紋識(shí)別系統(tǒng)驗(yàn)證呢？

　　我們先分析一個(gè)典型的錄音重放過程：

　　正常語音信號(hào)：y（t）=x（t）*a（t）

　　錄音重放語音信號(hào)：y’（t）=x（t）*a’（t） *d’（t）*a（t）

　　圖5中錄音ADCs（模數(shù)轉(zhuǎn)換）和重放DACs（數(shù)模轉(zhuǎn)換）是對(duì)語音信號(hào)的兩次傳輸，均會(huì)對(duì)原始信號(hào)產(chǎn)生影響，且ADCs和DACs是非連續(xù)可逆的，除了ADCs和DACs外，傳輸過程還包括噪音、混響等因素，錄音重放會(huì)造成信道失配和信號(hào)強(qiáng)度衰減等現(xiàn)象。

　　圖5 典型的錄音重放過程

　　圖6給出了一段真實(shí)語音和其錄音重放后語音的時(shí)頻分析，可以看出在這種情況下真實(shí)語音和錄音重放語音很難被區(qū)分，錄音重放可以說是最容易實(shí)施和最難被檢測(cè)的假體攻擊方式。

　　圖6 一段真語音和錄音重放語音的時(shí)頻分析

　　2017年的Automatic Speaker Verification Spoofing and Countermeasures （ASVspoof） Challenge中，首次將錄音重放檢測(cè)納入到說話人識(shí)別的防闖入比賽中，一個(gè)理想的錄音重放檢測(cè)系統(tǒng)應(yīng)該在已知和未知的條件下都很魯棒，包含與訓(xùn)練數(shù)據(jù)不同的說話人、不同的錄音重放內(nèi)容和不同的錄音重放設(shè)備。ASVspoof針對(duì)錄音重放檢測(cè)進(jìn)行的比賽中，全球近100個(gè)團(tuán)隊(duì)參加，最終提交了49個(gè)，我司的結(jié)果排在第5。相關(guān)的聲紋確認(rèn)防錄音論文發(fā)表在Interspeech上。

　　《A Study on Replay Attack and Anti-Spoofing for Automatic Speaker Verification》論文主要分兩部分：第一部分分析了不同的說話人、文本和設(shè)備對(duì)錄音重放檢測(cè)性能的影響；第二部分給出了有效的錄音重放檢測(cè)算法實(shí)現(xiàn)。

　　論文用F-ratio來分析不同因素對(duì)重放檢測(cè)性能的影響。F-ratio是一個(gè)簡(jiǎn)單的頻域加權(quán)方法，頻帶的權(quán)重可以由其對(duì)任務(wù)的判別能力決定。假設(shè)在分析語音譜時(shí)采用的濾波器個(gè)數(shù)為M，第i個(gè)濾波器的F-ratio可以定義為：

　　Cg表示真實(shí)語音，Cr表示重放語音。xi表示第i個(gè)濾波器語音幀x的值，uig和uir分別是濾波器內(nèi)真實(shí)語音和重放語音所有幀的均值，Ng和Nr分別是兩類語音的語音幀數(shù)。最后用M個(gè)濾波器的F-ratio值組［F1，F(xiàn)2，…，F(xiàn)M］來分析真實(shí)語音和重放語音在不同頻帶上的區(qū)分性。

　　在ASVspoof中，開發(fā)集和測(cè)試集中含有比訓(xùn)練集種類更多的錄音重放設(shè)備。在訓(xùn)練集中利用少量設(shè)備的錄音重放語音進(jìn)行模型訓(xùn)練非常容易導(dǎo)致過擬合，弱化了提取的特征和訓(xùn)練的模型的概化能力。為了提高概化能力，降低這種變化對(duì)重放檢測(cè)的影響，論文采用了頻率彎折的方法，如圖7所示，Mel方法增強(qiáng)了特征在低頻段的區(qū)分能力，IMel方法增強(qiáng)了特征在高頻段的區(qū)分能力。

　　圖7 三種頻率彎折曲線

　　圖8給出了在Mel和IMel兩種頻率彎折方法下，不同的說話人、文本內(nèi)容、和錄音重放設(shè)備在濾波器組上的F-ratio值，從（c）列圖中可以看出用Mel方法，不同的錄音重放設(shè)備對(duì)濾波器組的F-ratio值影響很明顯；但是IMel方法大大降低了設(shè)備間差異對(duì)F-ratio的影響，這對(duì)后面建立概化能力更強(qiáng)的模型具有非常重要的意義。

　　圖8 Mel和IMel方法在不同的說話人、文本和設(shè)備情況下對(duì)F-ratio的影響

　　在錄音重放檢測(cè)部分，論文使用（MFCC，LPCC和IMFCC）三種特征在訓(xùn)練集上建立了基于GMM、ivector/SVM和DNN的重放檢測(cè)系統(tǒng)，并在開發(fā)集中進(jìn)行了測(cè)試。從下面結(jié)果可以看出IMFCC特征是最有效的，最簡(jiǎn)單的GMM模型取得了最好的效果，DNN模型雖然在表中也取得了不錯(cuò)的效果，但是存在不穩(wěn)定的問題，不同的初始化將導(dǎo)致不同的結(jié)果，有的差異很大。

　　其實(shí)在日常生活中用手機(jī)進(jìn)行錄音重放是最方便的。相比于多樣性的錄音重放設(shè)備，手機(jī)等移動(dòng)設(shè)備上的錄音重放檢測(cè)要簡(jiǎn)單的多，我們?cè)?jīng)對(duì)60種不同型號(hào)的手機(jī)進(jìn)行了接近十萬條的錄音重放檢測(cè)，結(jié)果重放的檢出率基本為100%。

　　總結(jié)

　　聲紋作為生物特征中的行為特征，配合語音識(shí)別技術(shù)，通過互動(dòng)方式在遠(yuǎn)程身份認(rèn)證“用自己來證明自己”方面有其他生物特征難以替代的優(yōu)勢(shì)。當(dāng)然，就像前面提到的任何技術(shù)都有一定的局限性，不可能無限制的應(yīng)用于任何場(chǎng)景。只有通過結(jié)合聲紋和其他生物特征組成多因子認(rèn)證手段，才能更好地保證遠(yuǎn)程身份認(rèn)證安全。