（文章來源：OFweek）

以人臉識(shí)別技術(shù)為核心的視頻監(jiān)控時(shí)安防行業(yè)的主要應(yīng)用，這種我們無需多談，但未來我們是否也能腦洞大開，用智能語音技術(shù)輔助人臉識(shí)別，使得視頻監(jiān)控更為智能化。市場(chǎng)都在談語音識(shí)別技術(shù)，但很少有企業(yè)注意，聲紋識(shí)別以及語音情感識(shí)別也歸屬于智能語音技術(shù)。

聲紋識(shí)別也稱說話人識(shí)別，通過將聲信號(hào)轉(zhuǎn)換成電信號(hào)，再用計(jì)算機(jī)進(jìn)行識(shí)別?？删唧w分為說話人辨認(rèn)和說話人確認(rèn)。在不同場(chǎng)景，聲紋識(shí)別技術(shù)的選擇不同，如縮小刑偵范圍時(shí)可能需要辨認(rèn)技術(shù)，而銀行交易時(shí)則需要確認(rèn)技術(shù)。

語音情感識(shí)別是情感識(shí)別的方式之一，是指由計(jì)算機(jī)自動(dòng)識(shí)別輸入語音的情感狀態(tài)。計(jì)算機(jī)通過傳感器對(duì)不同聲調(diào)表情的語言信號(hào)，在時(shí)間構(gòu)造、振幅構(gòu)造、基頻構(gòu)造和共振峰構(gòu)造等特征方面的構(gòu)造特點(diǎn)和分布規(guī)律進(jìn)行測(cè)算和分析，從而識(shí)別出所有語言聲調(diào)中所隱含的情感內(nèi)容。

盡管當(dāng)前人臉識(shí)別技術(shù)的識(shí)別率高達(dá)99％甚至是99．9％，但剩下的1％甚至0．1％卻是當(dāng)前科技無法攻克的難題。想象一下，如果在當(dāng)前具備人臉識(shí)別的視頻監(jiān)控系統(tǒng)中加入聲紋識(shí)別和語音情感識(shí)別技術(shù)，形成的聲像融合技術(shù)（讀唇），即使目標(biāo)受眾處于無聲狀態(tài)，也能對(duì)其思想及行為進(jìn)行預(yù)測(cè)和識(shí)別，當(dāng)前的視頻監(jiān)控系統(tǒng)是否也將提升到一個(gè)新的智能化高度，真正做到“防患于未然”。

不可否認(rèn)，由人臉識(shí)別、聲紋識(shí)別以及語言情感識(shí)別形成的多模態(tài)交互系統(tǒng)，應(yīng)該能安防行業(yè)打開不少新應(yīng)用大門，例如場(chǎng)景分析和事件檢測(cè)。而在新一輪AI產(chǎn)業(yè)變革下，多模態(tài)技術(shù)也將成為決勝關(guān)鍵。