什么是聲紋?聲紋識(shí)別的原理是什么?

一、什么是聲紋？

聲紋(Voiceprint)，是用電聲學(xué)儀器顯示的攜帶言語信息的聲波頻譜，是由波長(zhǎng)、頻率以及強(qiáng)度等百余種特征維度組成的生物特征，具有穩(wěn)定性、可測(cè)量性、唯一性等特點(diǎn)。

人類語言的產(chǎn)生是人體語言中樞與發(fā)音器官之間一個(gè)復(fù)雜的生理物理過程，發(fā)聲器官–舌、牙齒、喉頭、肺、鼻腔在尺寸和形態(tài)方面每個(gè)人的差異很大，所以任何兩個(gè)人的聲紋圖譜都有差異。

每個(gè)人的語音聲學(xué)特征既有相對(duì)穩(wěn)定性，又有變異性，不是一成不變的。這種變異可來自生理、病理、心理、模擬、偽裝，也與環(huán)境干擾有關(guān)。

盡管如此，由于每個(gè)人的發(fā)音器官都不盡相同，因此在一般情況下，人們?nèi)阅軈^(qū)別不同的人的聲音或判斷是否是同一人的聲音。

聲紋不如圖像那樣直觀展現(xiàn)，在實(shí)際分析中，可通過波形圖和語譜圖進(jìn)行展現(xiàn)，如下所示：

二、聲紋識(shí)別的原理

人在講話時(shí)使用的發(fā)聲器官在尺寸和形態(tài)方面每個(gè)人的差異很大，所以任何兩個(gè)人的聲紋圖譜都有差異，主要體現(xiàn)在如下方面：

共鳴方式特征：咽腔共鳴、鼻腔共鳴和口腔共鳴

嗓音純度特征：不同人的嗓音，純度一般是不一樣的，粗略地可分為高純度（明亮）、低純度（沙啞）和中等純度三個(gè)等級(jí)

平均音高特征：平均音高的高低就是一般所說的嗓音是高亢還是低沉

音域特征：音域的高低就是通常所說的聲音飽滿還是干癟

不同人的聲音在語譜圖中共振峰的分布情況不同，聲紋識(shí)別正是通過比對(duì)兩段語音的說話人在相同音素上的發(fā)聲來判斷是否為同一個(gè)人，從而實(shí)現(xiàn)“聞聲識(shí)人”的功能。

三、聲紋識(shí)別算法的技術(shù)指標(biāo)

聲紋識(shí)別在算法層面可通過如下基本的技術(shù)指標(biāo)來判斷其性能，除此之外還有其它的一些指標(biāo)，如：信道魯棒性、時(shí)變魯棒性、假冒攻擊魯棒性、群體普適性等指標(biāo)，這部分后續(xù)于詳細(xì)展開講解。

錯(cuò)誤拒絕率（False Rejection Rate, FRR）：分類問題中，若兩個(gè)樣本為同類（同一個(gè)人），卻被系統(tǒng)誤認(rèn)為異類（非同一個(gè)人），則為錯(cuò)誤拒絕案例。錯(cuò)誤拒絕率為錯(cuò)誤拒絕案例在所有同類匹配案例的比例。

錯(cuò)誤接受率（False Acceptance Rate, FAR） ：分類問題中，若兩個(gè)樣本為異類（非同一個(gè)人），卻被系統(tǒng)誤認(rèn)為同類（同一個(gè)人），則為錯(cuò)誤接受案例。錯(cuò)誤接受率為錯(cuò)誤接受案例在所有異類匹配案例的比例。

等錯(cuò)誤率（Equal Error Rate，EER）：調(diào)整閾值，使得誤拒絕率（False Rejection Rate，F(xiàn)RR）等于誤接受率（False Acceptance Rate，F(xiàn)AR），此時(shí)的FAR與FRR的值稱為等錯(cuò)誤率。

準(zhǔn)確率（Accuracy，ACC）：調(diào)整閾值，使得FAR＋FRR最小，1減去這個(gè)值即為識(shí)別準(zhǔn)確率，即ACC=1 – min(FAR+FRR)

速度：（提取速度：提取聲紋速度與音頻時(shí)長(zhǎng)有關(guān)、驗(yàn)證比對(duì)速度）：Real Time Factor 實(shí)時(shí)比（衡量提取時(shí)間跟音頻時(shí)長(zhǎng)的關(guān)系，比如：1秒能夠處理80s的音頻，那么實(shí)時(shí)比就是1:80）。驗(yàn)證比對(duì)速度是指平均每秒鐘能進(jìn)行的聲紋比對(duì)次數(shù)。

ROC曲線：描述FAR與FRR之間相互變化關(guān)系的曲線，X軸為FAR的值,Y軸為FRR的值。從左到右，當(dāng)閾值增長(zhǎng)期間，每一個(gè)時(shí)刻都有一對(duì)FAR和FRR的值，將這些值在圖上描點(diǎn)連成一條曲線，就是ROC曲線。

閾值：在接受/拒絕二元分類系統(tǒng)中，通常會(huì)設(shè)定一個(gè)閾值，分?jǐn)?shù)超過該值時(shí)才做出接受決定。調(diào)節(jié)閾值可以根據(jù)業(yè)務(wù)需求平衡FAR與FRR。 當(dāng)設(shè)定高閾值時(shí)，系統(tǒng)做出接受決定的得分要求較為嚴(yán)格，F(xiàn)AR降低，F(xiàn)RR升高；當(dāng)設(shè)定低閾值時(shí)，系統(tǒng)做出接受決定的得分要求較為寬松，F(xiàn)AR升高，F(xiàn)RR降低。在不同應(yīng)用場(chǎng)景下，調(diào)整不同的閾值，則可在安全性和方便性間平平衡，如下圖所示：

四、影響聲紋識(shí)別水平的因素

訓(xùn)練數(shù)據(jù)和算法是影響聲紋識(shí)別水平的兩個(gè)重要因素，在應(yīng)用落地過程中，還會(huì)受很多因素的影響。

聲源采樣率：

人類語音的頻段集中于50Hz ~ 8KHz之間，尤其在4KHz以下頻段

離散信號(hào)覆蓋頻段為信號(hào)采樣率的一半（奈奎斯特采樣定理）。

采樣率越高，信息量越大。

常用采樣率：8KHz(即0 ~ 4KHz頻段），16KHz（即0 ~ 8KHz頻段）。

信噪比（SNR）：

信噪比衡量一段音頻中語音信號(hào)與噪聲的能量比，即語音的干凈程度：

15dB以上（基本干凈）

6dB（嘈雜）

0dB（非常吵）

信道：

不同的采集設(shè)備，以及通信過程會(huì)引入不同的失真。

聲紋識(shí)別算法與模型需要覆蓋盡可能多的信道。

手機(jī)麥克風(fēng)、桌面麥克風(fēng)、固話、移動(dòng)通信（CDMA, TD-LTE等）、微信……

語音時(shí)長(zhǎng)：

語音時(shí)長(zhǎng)（包括注冊(cè)語音條數(shù)）會(huì)影響聲紋識(shí)別的精度。

有效語音時(shí)長(zhǎng)越長(zhǎng)，算法得到的數(shù)據(jù)越多，精度也會(huì)越高。

短語音（1～3s）

長(zhǎng)語音（20s＋）

文本內(nèi)容：

通俗地說，聲紋識(shí)別系統(tǒng)通過比對(duì)兩段語音的說話人在相同音素上的發(fā)聲來判斷是否為同一個(gè)人。

固定文本：注冊(cè)與驗(yàn)證內(nèi)容相同

半固定文本：內(nèi)容一樣但順序不同；文本屬于固定集合

自由文本

五、聲紋識(shí)別的應(yīng)用流程

聲紋識(shí)別(VPR) ，生物識(shí)別技術(shù)的一種，也稱為說話人識(shí)別 ，是從說話人發(fā)出的語音信號(hào)中提取聲紋信息。

從應(yīng)用上看，可分為：

說話人辨認(rèn)（Speaker Identification）：用以判斷某段語音是若干人中的哪一個(gè)所說的，是“多選一”問題；

說話人確認(rèn)（Speaker Verification）：用以確認(rèn)某段語音是否是指定的某個(gè)人所說的，是“一對(duì)一判別”問題。

聲紋識(shí)別在應(yīng)用中分注冊(cè)和驗(yàn)證兩個(gè)主流程，根據(jù)不同的應(yīng)用中，部分處理流程會(huì)存在差異，一般的聲紋識(shí)別應(yīng)用流程如下圖所示：

六、聲紋識(shí)別的應(yīng)用場(chǎng)景

聲紋識(shí)別作為生物識(shí)別技術(shù)的一種，有非常多好的應(yīng)用場(chǎng)景，根據(jù)聲音的特性，下面從公共安全、金融、社保、智能硬件四個(gè)領(lǐng)域介紹聲紋識(shí)別的應(yīng)用。

1. 公安領(lǐng)域

聲紋作為一種生物特征，最早在刑偵和鑒識(shí)領(lǐng)域成功應(yīng)用。

近年來，由于互聯(lián)網(wǎng)的發(fā)展，語音案件也呈現(xiàn)出井噴的趨勢(shì)，在這些語音案件中，聲紋識(shí)別成了唯一一種有效的技術(shù)偵破手段，通過的聲紋識(shí)別和聲紋大數(shù)據(jù)技術(shù)進(jìn)行重點(diǎn)人員監(jiān)管、反電信詐騙、反恐、刑事案件偵破、身份查詢與核驗(yàn)，助力公安有效遏制與打擊犯罪，構(gòu)建和強(qiáng)化安全的社會(huì)公眾環(huán)境。

2. 金融

針對(duì)銀行、互聯(lián)網(wǎng)金融等各類金融及服務(wù)機(jī)構(gòu)，通過聲紋識(shí)別技術(shù)，提供了用戶注冊(cè)、遠(yuǎn)程驗(yàn)證、金融生物識(shí)別解決方案，大幅提高金融機(jī)構(gòu)的風(fēng)險(xiǎn)防范系統(tǒng)安全性，強(qiáng)化風(fēng)控能力，增加用戶的安全性，防范身份欺詐。

另外在電話客服系統(tǒng)中，通過聲紋識(shí)別技術(shù)，可實(shí)時(shí)識(shí)別出用戶的身份，從而提供個(gè)性化的客戶服務(wù)。

3. 社保

我國(guó)針對(duì)離退休人員，每年至少需要進(jìn)行一次生存狀態(tài)驗(yàn)證，并以此為依據(jù)進(jìn)行養(yǎng)老金的發(fā)放，目前可通過到指定社保大廳或自助終端進(jìn)行生存驗(yàn)證，對(duì)于一些行動(dòng)不便的老人家，這種方式也是非常不便利。

聲紋識(shí)別技術(shù)在遠(yuǎn)程身份驗(yàn)證中有著天然的優(yōu)勢(shì)，只需要一個(gè)電話（手機(jī)或固話都可以），即可完成生存驗(yàn)證，為參保人員提供了便利，同時(shí)也為國(guó)家節(jié)省大量成本，避免養(yǎng)老金流失。

4. 智能硬件

在智能硬件產(chǎn)品中，聲紋識(shí)別解決了當(dāng)前智能產(chǎn)品只能識(shí)別用戶所說的內(nèi)容，而不能區(qū)分說話人身份的問題，讓智能產(chǎn)品能夠區(qū)分不同的角色，實(shí)現(xiàn)“聽聲識(shí)人”。

讓系統(tǒng)針對(duì)性對(duì)每個(gè)人提供不同的內(nèi)容與服務(wù)，讓人機(jī)交互更加簡(jiǎn)單，讓用戶享受更輕松、更具個(gè)性化、更安全的產(chǎn)品體驗(yàn)。

七、總結(jié)

聲紋識(shí)別作為最前沿的生物識(shí)別技術(shù)，隨著技術(shù)的成熟，將會(huì)在越來越多的應(yīng)用場(chǎng)景下落地。

我們相信：在不久的將來，在第三代身份證上，聲紋將成為繼指紋、人像后又一個(gè)新增的公民身份ID。

聲音將在我們未來的科技生活中扮演眼越來越重要的角色。