聲紋識別語音交互領域的下一個風口？

成都弱電公司訊：

2018年10月份，微軟建設了世界上最安靜的實驗室，以加大消費類聲學產(chǎn)品的研發(fā)力度；幾乎同時，蘋果也收購了VocalIQ以增強Siri的語音助手功能，特殊是汽車領域的應用。隨后，谷歌以7500萬美元入股了國內(nèi)的語音助手出門問問。而且，不到三個月，微軟再次出手，將語音助手微軟小娜推廣到IOS和Android平臺。

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

這似乎距離我們自然人機交互的目標越來越近，但好像還缺點什么？對了，就是聲紋辨認，也就是人機自然交互的前提是首先要知道交互的對象是誰。明確了交互的對象，這才更有利于機器理解人們的語言并且做出智能應對。那么，聲紋辨認會是繼語音辨認、語音助手之后，語音交互的下一個風口嗎？

首先看看什么是聲紋辨認，聲紋辨認是通過對一種或多種語音信號的特征分析來達到對未知聲音辨別的目的，簡樸的說就是辨別某一句話是否是某一個人說的技術。

該項技術最早是在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，從1967年到現(xiàn)在，美國至少5000多個案件包括謀殺，**，敲詐勒索，走私毒品，賭博，政治腐敗等都通過聲紋辨認技術提供了有效的線索和有力的證據(jù)。

聲紋辨認的理論基礎是每一個聲音都具有獨特的特征，通過該特征能將分歧人的聲音進行有效的區(qū)分。

這種獨特的特征主要由兩個因素決定，第一個是聲腔的尺寸，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。每個人的發(fā)聲腔都是分歧的，就像指紋一樣，每個人的聲音也就有獨特的特征。

第二個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產(chǎn)生清晰的語音。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學習到的。人在學習說話的過程中，通過模擬周圍分歧人的說話方式，就會逐漸形成自己的聲紋特征。

因此聲紋就像指紋一樣，很少會有兩個人具有相同的聲紋特征。美國幾個研究機構已經(jīng)表明在某些特點的環(huán)境下聲紋可以用來作為有效的證據(jù)。并且美國聯(lián)邦調(diào)查局對2000例與聲紋相關的案件進行統(tǒng)計，利用聲紋作為證據(jù)只有0.31%的錯誤率。目前利用聲紋來區(qū)分分歧人這項技術已經(jīng)被廣泛認可，并且在各個領域中都有應用。

下面我們再看看聲紋辨認常用的方法，包括模板匹配法，最近鄰方法，神經(jīng)元網(wǎng)絡方法，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通過短時傅里葉變換得到二維的語譜圖。語譜圖是聲音信號的一種圖像化的表示方式，它的橫軸代表時間，縱軸代表頻率，語音在各個頻率點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譜圖之間的相似度，最終達到聲紋辨認的目的。

最后我們也要數(shù)數(shù)聲紋辨認的問題，上面說到了聲紋辨認的唯一性其實很好，但實際上我們現(xiàn)有的設備和技術仍然很難做出準確分辨，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。

雖然深度學習帶給語音交互極大的提升，谷歌甚至開源了人工智能算法，但是聲紋辨認的研究進展仍然不大，這仍然受制于語料的采集和特征的建立。盡管市面上如科大訊飛也發(fā)布了聲紋辨認應用，但是還鮮有成熟的應用場景，智能家居曾被認為是最有可能的突破，但是隨著聲紋鎖的飽受詬病，這個概念似乎也冷卻了不少。但是人們追求自然人機對話的目標不會變，聲紋辨認作為其中的關鍵技術，特殊是隨著機器人技術的發(fā)展，必然會迎來一股新的市場熱潮和應用。