摘要：隨著科學技術(shù)的發(fā)展，身份識別的方式逐漸多樣化，聲紋識別技術(shù)憑借無需接觸、識別成本低廉、聲紋提取便捷等優(yōu)點逐漸在智能安防領域展開應用，但聲紋識別技術(shù)也面臨著復雜環(huán)境影響識別準確性的問題。聲紋識別技術(shù)應著力拓展應用領域，與公安實踐、人機交互、平安校園等緊密結(jié)合，與智慧城市建設同步發(fā)展。

1、引言

近年來，以指紋、聲紋、人臉、虹膜等生理特征為識別對象的生物識別技術(shù)發(fā)展迅速，在眾多領域獲得了應用。例如，智能手機運用指紋和人臉識別替代密鑰，許多門禁系統(tǒng)也應用了人臉和指紋相結(jié)合的認證技術(shù)。這是因為指紋、聲紋、人臉、虹膜等人體生理特征具有穩(wěn)定性和唯一性，識別率高，是智慧城市建設中實現(xiàn)精準身份認證的重要手段。

然而移動互聯(lián)網(wǎng)時代的到來，給生產(chǎn)和生活帶來便利的同時，身份冒用等安全問題也層出不窮。針對此類虛擬性強、隱蔽性高、犯罪成本低、傳播范圍廣的非接觸式犯罪，能夠?qū)崿F(xiàn)遠程身份識別的技術(shù)僅有人臉識別和聲紋識別，而在電話場景等無法獲取面部信息的情況下，僅有聲紋技術(shù)能實現(xiàn)身份識別。相比而言，聲紋識別技術(shù)識別方式簡便、移動性好、安全性高，能夠滿足遠程采集和識別的需求，這些特點是其它生物識別技術(shù)所不具備的。

目前，聲紋識別技術(shù)滲透到越來越多的應用場景，諸如公安取證、刑偵破案、銀行交易、身份證與信用卡的認證等，除此之外，基于人工智能的聲紋識別技術(shù)還與其它高新技術(shù)融合，極大提升了識別的準確性。在新冠疫情爆發(fā)的形勢下，全世界的人民都戴上了口罩，通過人臉識別進行身份認證的準確率極大降低，更多的行業(yè)和場景中需要超遠場音視同步監(jiān)控來解決實際問題。聲紋識別技術(shù)可以無視口罩阻礙，無需接觸便能完成身份認證，彌補了人臉識別身份認證的不足，與智能視頻監(jiān)控結(jié)合，解決現(xiàn)有智慧城市建設 “眼強耳弱”的問題，有效維護社會公共安全，帶動國家智慧城市全面感知的智慧化建設。

2、聲紋識別技術(shù)

2.1聲紋識別技術(shù)的概念

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

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

1)共鳴方式特征：咽腔共鳴、鼻腔共鳴和口腔共鳴

2)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?。┖椭械燃兌热齻€等級

3)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

4)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，聲紋識別正是通過比對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人，從而實現(xiàn)“聞聲識人”的功能。

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

從技術(shù)應用上可分為說話人辨認和說話人確認兩種：

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

?說話人確認(Speaker Verification)：用以確認某段語音是否是指定的某個人所說的，是“一對一判別”問題。

從待識別語音的文本內(nèi)容，聲紋識別可以分為文本無關(guān)、文本相關(guān)和文本提示三種。

2.2聲紋識別技術(shù)的原理

圖2-1 聲紋識別框架

聲紋識別通常分為聲紋注冊和聲紋識別兩個部分，如圖2-1所示。在這兩個階段中，均是從候選說話人的音頻提取聲學特征，通常采用梅爾頻率倒譜系數(shù)MFCC、感知線性預測系數(shù)PLP、濾波器組系數(shù)F-Bank等聲學特征，然后通過映射模型將幀特征映射到表征說話人身份的段特征矢量（GMM-UBM、i-vector、d-vector、x-vector等），最后通過后處理對相似度打分做出判決。

聲紋識別中最重要的兩個模塊是特征映射模型和模式判決模塊。

圖2-2 基于x-vector的說話人識別訓練網(wǎng)絡

特征映射模型的訓練以目前主流的x-vector為例進行說明，如圖2-2所示。將聲學特征映射到更有區(qū)分能力的段級別說話人身份嵌入矢量x-vector，可以將不同時長的語音映射到固定維度的度量矢量上。為了得到非線性映射關(guān)系，在訓練階段，幀級別網(wǎng)絡采用5層神經(jīng)網(wǎng)絡結(jié)構(gòu)，前三層采用延時神經(jīng)網(wǎng)絡（TDNN），可以更好的結(jié)合前后幀上下文的聯(lián)系，后兩層采用全連接神經(jīng)網(wǎng)絡；段級別網(wǎng)絡首先對幀級別的網(wǎng)絡輸出進行統(tǒng)計量池化操作，分別計算所有時間幀的均值μ：

（式2-1）

和標準差σ：

（式2-2）

并將之拼接，得到段級別的特征輸入：

（式2-3）

段級別采用兩層全連接網(wǎng)絡，根據(jù)經(jīng)驗將第一層全連接網(wǎng)絡的輸出作為嵌入會得到更好的效果。

模式判決模塊中，對神經(jīng)網(wǎng)絡嵌入進行長度規(guī)整、中心化、白化、LDA變換、PLDA打分等步驟后，根據(jù)打分結(jié)果進行判決。長度規(guī)整可以消除不同嵌入之間幅度差異，LDA變化后說話人在判別空間中滿足類間距離變大、類間距離變小，PLDA可以補償信道差異所產(chǎn)生的影響。在PLDA訓練時，第i個說話人的第j段語音的嵌入特征可以表示成：

? ? ? ? ? ? ? ? ? ? （式2-4）? ? ? ? ? ? ? ? ?? ?

其中u是和說話人及信道無關(guān)的成分，F(xiàn)是說話人空間，G·wij+εij是說話人類內(nèi)差異，屬于干擾部分，則有

其中N[α,Β]表示均值為α，方差為Β的高斯分布。由于存在兩個隱變量hi和wij，因此需要采用期望最大化（EM）算法求解。最后采用訓練好的PLDA模型進行打分，計算兩條語音的對數(shù)似然比進行判決：

（式2-8）

兩條測試語音來自同一說話人的假設為Hs，來自不同說話人的假設為Hd，得分score越高，兩條語音屬于同一說話人的概率越大。

3、聲紋識別技術(shù)的現(xiàn)狀與挑戰(zhàn)

聲紋識別技術(shù)最早是在40年代末由貝爾實驗室開發(fā)，主要用于軍事情報領域。隨著該項技術(shù)的逐步發(fā)展，60年代末后期在美國的法醫(yī)鑒定、法庭證據(jù)等領域都使用了該項技術(shù)，從1967年到現(xiàn)在，美國至少5000多個案件包括謀殺、強奸、敲詐勒索、走私毒品、賭博，政治腐敗等都通過聲紋識別技術(shù)提供了有效的線索和有力的證據(jù)。

隨著60年代貝爾實驗室提出了基于模式匹配和概率統(tǒng)計方差分析的說話人識別方法，聲紋識別技術(shù)得到快速發(fā)展，從單模板模型發(fā)展到多模板模型，從模板模型發(fā)展到矢量量化模型、高斯混合模型、隱馬爾可夫模型，再到人工智能神經(jīng)網(wǎng)絡等三個重要發(fā)展階段。

第一階段：基于模板匹配的的聲紋識別技術(shù)，該方法通常要求比對雙方的內(nèi)容相同。同人臉識別一樣，聲紋識別也要先做注冊，再做驗證，注冊時說的內(nèi)容要和驗證時是一樣的，應用上有諸多限制。

第二階段：基于高斯混合模型的聲紋識別技術(shù)，該方法是基于統(tǒng)計學習理論的方法，采用大量數(shù)據(jù)為每個說話人訓練模型，使用高斯混合模型驗證已經(jīng)與文本無關(guān)了。但該方法所需注冊語音的時間比較長，而且聲紋識別準確性會受到噪聲、干擾等影響。

第三階段：基于深度學習的聲紋識別技術(shù)，該方法可以在大量樣本中學習到高度抽象的說話人特征，并對噪聲有很強的免疫力。

雖然近年來聲紋識別技術(shù)發(fā)展迅速，并在許多領域得以應用，但實際應用中的復雜場景對聲紋識別系統(tǒng)提出了巨大的挑戰(zhàn)。

（1）噪音及混響

在實際環(huán)境中總是包含各種各樣的噪音，比如空調(diào)風扇的聲音、音樂聲、開關(guān)門的聲音等，這些噪音不僅在一定程度上淹沒了語音信號中所蘊含的說話人信息，還使得聲紋識別系統(tǒng)無法準確獲取說話人的聲紋特征。Mitchell McLaren提出了噪聲對不同模型的聲紋識別的性能存在影響，混響和噪聲對各類模型和方法都有非常大的影響，這和人類似，嘈雜環(huán)境中確實很難分辨出某個人的聲音。

（2）遠場應用

在實際應用場景中，無接觸式的聲紋識別更需要遠場的應用，但聲音的傳輸隨著距離的二次方反比例衰減，同時實際應用的復雜環(huán)境中有各種噪音的疊加影響，會嚴重影響目標聲音的信噪比，對聲紋識別的性能產(chǎn)生嚴重的影響。

（3）跨信道識別

在實際應用中，語音信號可通過各種不同錄音設備進行獲取，如手機、固定電話、錄音筆、專業(yè)采集設備、VOIP等，不同的錄音獲取方式會導致語音信號傳輸信道的變化，使得語音信號發(fā)生頻譜畸變，進而影響聲紋特征，降低了聲紋識別系統(tǒng)的識別性能。

（4）短語音

語音時長對聲紋識別的性能有著直接的影響，短語音測試條件下，測試語音所包含的說話人信息不均衡，導致訓練與識別的匹配性嚴重下降；此外，短語音條件下測試語音中的信息量太少，不足以提供充分的區(qū)分性信息，使得聲紋識別的混淆度變大。

4、聲紋識別直擊智慧城市需求痛點

4.1聲紋識別助力公安“凈網(wǎng)行動”

當今社會，互聯(lián)網(wǎng)、智能手機、智能軟件大范圍普及，涉及聲紋鑒定與識別的相關(guān)語音案件也日益增多，遏制網(wǎng)絡詐騙犯罪高趨勢、切實維護人民群眾的合法權(quán)益是中央政法委提出的重大要求。聲紋識別技術(shù)在反電信詐騙上有著無可替代的地位，是公安應對新形勢下聲紋識別、鑒定以及布控需求的關(guān)鍵。公安領域聲紋解決方案包含聲紋采集設備、智能音頻分析平臺、云計算管理平臺等，提供從聲紋數(shù)據(jù)采集、存儲分析到應用管理全方位一體化方案，可實現(xiàn)室內(nèi)半開放復雜聲場環(huán)境下的高保真語音及聲紋采集、聲紋識別、多語言語音轉(zhuǎn)錄。

圖4-1 公檢法解決方案架構(gòu)圖

智能音頻分析平臺由聲紋數(shù)據(jù)庫、聲紋識別引擎、語音識別引擎及語音轉(zhuǎn)錄引擎組成，聲紋數(shù)據(jù)庫集聲紋數(shù)據(jù)管理、清洗、比對于一身，是引擎實現(xiàn)聲紋識別、語音識別與轉(zhuǎn)錄功能的基礎，而高性能的聲紋數(shù)據(jù)采集系統(tǒng)是獲取高質(zhì)量聲紋數(shù)據(jù)的關(guān)鍵，對提高聲紋識別的準確性有著舉足輕重的作用?，F(xiàn)有的聲紋數(shù)據(jù)采集系統(tǒng)能實現(xiàn)自適應降噪，多通道采集及聲源分離，在復雜場景下達到高保真拾音。

圖4-2 聲紋數(shù)據(jù)采集系統(tǒng)

云計算管理平臺可靈活對接公安聲紋實戰(zhàn)平臺、聲紋鑒定平臺、司法審訊平臺等。聲紋實戰(zhàn)平臺以聲紋識別系統(tǒng)為核心，聯(lián)合海量數(shù)據(jù)庫，針對公安領域深度優(yōu)化，提供聲紋大數(shù)據(jù)檢索核心功能，通過聲紋比對，有效鎖定嫌疑人員，在重點人員監(jiān)控、反電信詐騙、案件偵破、身份核驗等場景發(fā)揮重大作用。

圖4-3 聲紋實戰(zhàn)平臺

基于音素檢索技術(shù)、聲紋識別技術(shù)及關(guān)鍵詞檢索技術(shù)的聲紋鑒定平臺，是結(jié)合公共安全及司法鑒定領域身份鑒定業(yè)務需求，定制開發(fā)出的一套完整的軟硬件一體的專業(yè)產(chǎn)品。利用人工智能技術(shù)和專業(yè)的數(shù)字化頻譜，輔助聲紋識別專家，快速比對檢材和樣本的聲紋信息，實現(xiàn)對語音文件說話人的識別認定，為聲紋的實時識別和快速鑒定提供了極為可靠的技術(shù)基礎。

聲紋識別技術(shù)能夠為公安行業(yè)帶來戰(zhàn)法上的突破，助力科技強警，為案件偵破過程提供新的線索和證據(jù)，對于提高辦案效率，優(yōu)化辦案方式，提高辦案質(zhì)量，提升案件偵破能力起到積極的推動作用，在維護國家安全、打擊犯罪工作中具有非常重要的意義。

4.2聲紋識別實現(xiàn)自然友好人機交互

隨著人工智能技術(shù)的發(fā)展，基于人工智能技術(shù)的語音識別、聲紋識別技術(shù)也取得了重大進展，人機交互正由傳統(tǒng)的以機器為中心轉(zhuǎn)向以人為中心的自然交互，自然語言交互必定是實現(xiàn)自然交互的關(guān)鍵突破口。從信息文明走向智能文明，機器需要更好的適應人類的自然語言體系來完成指令。聲紋識別技術(shù)能夠提取每個人獨一無二的聲音特征，為人機交互注入智能屬性，實現(xiàn)“聞聲識人”，機器不僅能識別多人身份信息，更能從中準確分辨出管理員身份。

在實際使用場景中，多個聲源和環(huán)境干擾聲相疊加，而聲紋識別技術(shù)能在復雜場景下增強機器聽覺，讓智能機器人準確識別“主人身份”，從而順利完成一系列指令任務，大大提高機器安全性與隱私性。

圖4-5 智能機器人解決方案

目前現(xiàn)有的機器聽覺解決方案集遠場麥克風陣列技術(shù)，深度神經(jīng)網(wǎng)絡技術(shù)于一體，可靈活對接第三方語音識別引擎，進行聲源定位、噪聲抑制、回聲消除、聲紋識別、語音喚醒等，實現(xiàn)復雜聲學場景下自然友好的語音交互能力。保證機器在運動狀態(tài)下也能準確聆聽真實環(huán)境下的人聲，在充滿干擾聲和多人同時說話的場景中，仍然能保持識別準確率，同時處理多人聲紋身份識別的問題，過濾陌生人信息，識別出已錄入系統(tǒng)的管理員聲紋身份，精準快速響應“主人”的指令。用戶可在不同場景下通過遠場聲紋識別，與機器進行自然語言交互，享受科技給生活帶來的便利。

在未來全面智能化、萬物互聯(lián)的生活中，如何推進更自然、更智能、更人性化的人機交互，讓人工智能更好的服務人類，將是聲紋識別技術(shù)需要進一步努力的方向所在。

4.3聲紋識別構(gòu)建多維感知智慧城市

基于人工智能視覺技術(shù)和智能視頻處理技術(shù)的企業(yè)近幾年發(fā)展迅速，智能視頻監(jiān)控和視覺識別技術(shù)得到充分發(fā)展，智慧城市視頻數(shù)據(jù)建設日趨成熟，但音頻數(shù)據(jù)以及其他維度數(shù)據(jù)嚴重缺失，無法滿足智慧城市多維感知、全息感知的需求。語音感知和聲紋識別技術(shù)是智慧城市感知體系的重要組成部分，促進智慧城市建設從“眼強耳弱”轉(zhuǎn)化為音視結(jié)合、全面互聯(lián)、深入智能化的智慧城市發(fā)展新模式。

智慧城市機器聽覺解決方案采用特殊設計的全向聲學雷達、定向聲學雷達，配合麥克風陣列與AI技術(shù)，與網(wǎng)絡攝像機進行音視頻時間聯(lián)動，依靠聲學雷達采集的高保真聲音，通過聲紋數(shù)據(jù)庫秒級檢索比對聲紋信息，進行準確身份辨認，實現(xiàn)復雜場景下的“聞聲識人”。整個方案能保證雷達在室外的各種環(huán)境噪聲的干擾下也能360°精準聆聽，準確獲取說話人的清晰語音，不受遠場聲音傳輸衰減的影響。系統(tǒng)可以設置身份黑名單，當識別到黑名單上的聲紋信息時，系統(tǒng)將在1s內(nèi)告警，同時配合網(wǎng)絡攝像頭定位目標位置，為公安、司法等部門提供執(zhí)法證據(jù)。

圖4-6 智慧城市機器聽覺解決方案架構(gòu)圖

聲紋識別應與安防布控更緊密結(jié)合，為頂層業(yè)務應用提供更多有價值語音數(shù)據(jù)信息，實現(xiàn)全面感知、寬泛互聯(lián)和智能融合的應用，形成以音視結(jié)合為支撐的新型城市形態(tài)。

5、結(jié)語

聲紋識別技術(shù)作為科技前沿技術(shù)之一，在社會治安防控體系中進行應用，輔助打擊違法犯罪，有利于智能安防行業(yè)的進步和發(fā)展，對智慧城市建設的穩(wěn)步推進，以及社會公共安全的維護具有非常重要的意義。

目前，聲紋識別技術(shù)應用仍處于起步階段，其實際應用覆蓋范圍并不廣，未來還需加速推廣聲紋實戰(zhàn)應用，進一步擴大聲紋在智慧城市中的布控范圍，為聲紋識別技術(shù)在公檢法、平安城市、平安校園、智能機器人等領域的應用注入新動力，為保障社會公共安全做出更多貢獻，提供更便捷、更安全的服務，協(xié)助創(chuàng)建多維感知、全面智能的智慧城市。

原文標題：聲紋識別助力“全面感知”智慧城市建設

文章出處：【微信公眾號：深圳微納研究院】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq