聲紋識(shí)別語(yǔ)音交互領(lǐng)域的下一個(gè)風(fēng)口？

成都弱電公司訊：

2018年10月份，微軟建設(shè)了世界上最安靜的實(shí)驗(yàn)室，以加大消費(fèi)類聲學(xué)產(chǎn)品的研發(fā)力度；幾乎同時(shí)，蘋果也收購(gòu)了VocalIQ以增強(qiáng)Siri的語(yǔ)音助手功能，特殊是汽車領(lǐng)域的應(yīng)用。隨后，谷歌以7500萬美元入股了國(guó)內(nèi)的語(yǔ)音助手出門問問。而且，不到三個(gè)月，微軟再次出手，將語(yǔ)音助手微軟小娜推廣到IOS和Android平臺(tái)。

自科大訊飛上市以來，語(yǔ)音辨認(rèn)這項(xiàng)技術(shù)持續(xù)火熱，但是語(yǔ)音辨認(rèn)卻并沒有改變我們的生活，而且我們更傾向于把這項(xiàng)技術(shù)作為娛樂消費(fèi)。隨著智能家居和汽車互聯(lián)的興起，語(yǔ)音交互的焦點(diǎn)很快轉(zhuǎn)移到語(yǔ)音助手領(lǐng)域，語(yǔ)音助手將著重解決語(yǔ)音辨認(rèn)之后的語(yǔ)言理解問題。

這似乎距離我們自然人機(jī)交互的目標(biāo)越來越近，但好像還缺點(diǎn)什么？對(duì)了，就是聲紋辨認(rèn)，也就是人機(jī)自然交互的前提是首先要知道交互的對(duì)象是誰(shuí)。明確了交互的對(duì)象，這才更有利于機(jī)器理解人們的語(yǔ)言并且做出智能應(yīng)對(duì)。那么，聲紋辨認(rèn)會(huì)是繼語(yǔ)音辨認(rèn)、語(yǔ)音助手之后，語(yǔ)音交互的下一個(gè)風(fēng)口嗎？

首先看看什么是聲紋辨認(rèn)，聲紋辨認(rèn)是通過對(duì)一種或多種語(yǔ)音信號(hào)的特征分析來達(dá)到對(duì)未知聲音辨別的目的，簡(jiǎn)樸的說就是辨別某一句話是否是某一個(gè)人說的技術(shù)。

該項(xiàng)技術(shù)最早是在40年代末由貝爾實(shí)驗(yàn)室開發(fā)，主要用于軍事情報(bào)領(lǐng)域。隨著該項(xiàng)技術(shù)的逐步發(fā)展，60年代末后期在美國(guó)的法醫(yī)鑒定、法庭證據(jù)等領(lǐng)域都使用了該項(xiàng)技術(shù)，從1967年到現(xiàn)在，美國(guó)至少5000多個(gè)案件包括謀殺，**，敲詐勒索，走私毒品，賭博，政治腐敗等都通過聲紋辨認(rèn)技術(shù)提供了有效的線索和有力的證據(jù)。

聲紋辨認(rèn)的理論基礎(chǔ)是每一個(gè)聲音都具有獨(dú)特的特征，通過該特征能將分歧人的聲音進(jìn)行有效的區(qū)分。

這種獨(dú)特的特征主要由兩個(gè)因素決定，第一個(gè)是聲腔的尺寸，具體包括咽喉，鼻腔和口腔等，這些器官的形狀，尺寸和位置決定了聲帶張力的大小和聲音頻率的范圍。

因此分歧的人雖然說同樣的話，但是聲音的頻率分布是分歧的，聽起來有的低沉有的洪亮。每個(gè)人的發(fā)聲腔都是分歧的，就像指紋一樣，每個(gè)人的聲音也就有獨(dú)特的特征。

第二個(gè)決定聲音特征的因素是發(fā)聲器官**縱的方式，發(fā)聲器官包括唇，齒，舌，軟腭及腭肌肉等，他們之間相互作用就會(huì)產(chǎn)生清晰的語(yǔ)音。而他們之間的協(xié)作方式是人通過后天與周圍人的交流中隨機(jī)學(xué)習(xí)到的。人在學(xué)習(xí)說話的過程中，通過模擬周圍分歧人的說話方式，就會(huì)逐漸形成自己的聲紋特征。

因此聲紋就像指紋一樣，很少會(huì)有兩個(gè)人具有相同的聲紋特征。美國(guó)幾個(gè)研究機(jī)構(gòu)已經(jīng)表明在某些特點(diǎn)的環(huán)境下聲紋可以用來作為有效的證據(jù)。并且美國(guó)聯(lián)邦調(diào)查局對(duì)2000例與聲紋相關(guān)的案件進(jìn)行統(tǒng)計(jì)，利用聲紋作為證據(jù)只有0.31%的錯(cuò)誤率。目前利用聲紋來區(qū)分分歧人這項(xiàng)技術(shù)已經(jīng)被廣泛認(rèn)可，并且在各個(gè)領(lǐng)域中都有應(yīng)用。

下面我們?cè)倏纯绰暭y辨認(rèn)常用的方法，包括模板匹配法，最近鄰方法，神經(jīng)元網(wǎng)絡(luò)方法，VQ聚類法等。雖然處理手段分歧，但基本原理是類似的。一般都是將一維的聲音信號(hào)通過短時(shí)傅里葉變換得到二維的語(yǔ)譜圖。語(yǔ)譜圖是聲音信號(hào)的一種圖像化的表示方式，它的橫軸代表時(shí)間，縱軸代表頻率，語(yǔ)音在各個(gè)頻率點(diǎn)的幅值大小用顏色來區(qū)分。說話人的聲音的基頻及諧頻在語(yǔ)譜圖上表現(xiàn)為一條一條的亮線，再通過分歧的處理手段就可以得到分歧語(yǔ)譜圖之間的相似度，最終達(dá)到聲紋辨認(rèn)的目的。

最后我們也要數(shù)數(shù)聲紋辨認(rèn)的問題，上面說到了聲紋辨認(rèn)的唯一性其實(shí)很好，但實(shí)際上我們現(xiàn)有的設(shè)備和技術(shù)仍然很難做出準(zhǔn)確分辨，特殊是人的聲音還具有易變性，易受身體狀況、年齡、情緒等的影響。另外，若在環(huán)境噪音較大和混合說話人的環(huán)境下，聲紋特征也是很難提取和建模的。

雖然深度學(xué)習(xí)帶給語(yǔ)音交互極大的提升，谷歌甚至開源了人工智能算法，但是聲紋辨認(rèn)的研究進(jìn)展仍然不大，這仍然受制于語(yǔ)料的采集和特征的建立。盡管市面上如科大訊飛也發(fā)布了聲紋辨認(rèn)應(yīng)用，但是還鮮有成熟的應(yīng)用場(chǎng)景，智能家居曾被認(rèn)為是最有可能的突破，但是隨著聲紋鎖的飽受詬病，這個(gè)概念似乎也冷卻了不少。但是人們追求自然人機(jī)對(duì)話的目標(biāo)不會(huì)變，聲紋辨認(rèn)作為其中的關(guān)鍵技術(shù)，特殊是隨著機(jī)器人技術(shù)的發(fā)展，必然會(huì)迎來一股新的市場(chǎng)熱潮和應(yīng)用。