一文看懂“声纹识别VPR” | AI产品经理需要了解的AI技术概念_团员分享_@cony

前言：声纹识别是AI领域中一个看似很小、但其实有机会在近期落地，且比较有意思的细分方向；本文作者是“AI产品经理大本营”团员@cony  ，她总结了AI产品经理“最必要”了解的声纹识别技术知识和行业现状（多了没必要，少了又不足以入门、准备面试或工作实战）。文末有【福利】：起点学院/人人都是产品经理·5周年大促优惠，hanniman读者再减30元-150元/单。

目录

一、核心概念（定义、原理、优劣势、分类、评判标准）

二、技术边界（外部影响、人自身影响、假冒攻击）

三、瓶颈和机会（数据、多生物特征识别融合、5个应用领域）

四、声纹识别厂商简介（科大讯飞、得意音通、声扬科技、国音科技、快商通、远鉴科技）

1

核心概念

1、定义

声纹识别（Voice Print Recognition，简称VPR），也称为“说话人识别”，是“根据声纹特征识别某段语音所对应的说话人”的过程。

因为发音涉及到口腔、鼻腔、喉咙和胸腔的器官的共振，还有唇、齿、舌的差异，每个人说话都有自己独特的语音特征和发音习惯，即使是模仿，也难以改变说话者最本质的发音特性和声道特征，所以，就像人脸、指纹、虹膜一样，声纹也属于生物特征之一。

2、识别原理

图1 声纹识别系统架构

声纹识别是一类典型的模式识别问题，主要包含了训练和识别两个阶段。

训练阶段，算法提取训练库里的语音特征，并进行深度学习，训练出模型；识别阶段，将注册音频和待识别的音频进行特征提取之后，比对出得分，得分超过阈值，则识别通过，反之则不通过。

注：网上讲解技术原理的参考文章：1）https://www.jianshu.com/p/19d34b19517b ；2）https://blog.csdn.net/xiaocao9903/article/details/80649284，有兴趣的同学可以看看（需要长按链接，复制后再用浏览器打开）。

3、优劣势

1）声纹识别的优势

• 准确率高：在理想情况下（环境安静、采集质量高、发音正常），声纹识别的准确率可以达98%以上；

• 采集成本低：声纹采集对设备的要求不高，如今智能手机的普及，手机自带麦克风一般都能能满足采集要求，并且人在说话的时候就能无感采集，无附加操作成本；

• 远程操作：只需要有麦克风，就可以远程采集声纹，并通过网络传输；

• 不怕丢失：生物特征的特殊优势，属于身体的一部分，不会像外部密码会丢失；

• 隐私性弱：人们对人脸、指纹的隐私性比较敏感，而声音是每天都会说的，采集比较容易，大众接受度比较高。

2）声纹识别技术的商用发展还处于起步阶段，所以关于使用上，还存在局限性

• 声音易变性：一个人在不同时间、不同地点下，说话音量、音调都会有所变化，这对算法的鲁棒性要求比较高；

• 环境噪音：噪音会干扰声纹的特征提取，使得识别准确率大大降低，所以一些声纹厂商会自研一套音频降噪处理算法；

• 多人声音重叠：目前的算法技术还不能做到分离两个人重叠的声音，配合麦克风阵列，可以从源头就将不同发音方向的人声分离；

• 说话时长限制：太短的语音提取不了足够的声纹特征信息，固定文本内容的最短有效时长至少是0.8秒，自由文本内容是2秒（后面会对文本内容要求进行解释）；

• 距离限制：0.5m以内的近场识别效果会比远场好，越远音量越小，识别准确率越低；

4、分类

1）按功能角度分类，可分为以下5种

A ）声纹1:1：即声纹确认。说话人事先录入过自己的声音后，验证时，只需要说一句话，即可验证自己的身份，比对时，验证语音只和一个注册音频的对比。微信和支付宝的声纹登录功能就属于声纹1:1。

B ）声纹1:N：即声纹辨认。一个声纹库包含了N个已收集的人员声纹特征，验证时，说一句话，即可找到库里的对应人员，比对时，验证语音和N个注册音频对比。家庭机器人如果要听声识人，就会用到声纹1:N。

C）性别识别：只需说一句话，就能判断说话人的性别。

D）年龄识别：C和D这两个，属于偏娱乐性的功能，市场上对其的需求并不强烈，所以准确率也不高。不过只要有足够标注准确的数据，年龄识别的准确率还是可以提高的。

5）情绪识别：情绪识别，对于成年人来说，不同人在相同情绪下的声音的共性并不明显，而小孩或者婴儿的共性会更明显，之前团员@长弘写的一篇《能否借助AI破译婴儿哭声？》（https://shimo.im/docs/gt9JoNSVAXoH7Q52/ ），涉及的技术应算是此范畴。

2）按语音文本内容角度分类，可分为以下3种：

A）固定文本，指内容固定的短语句，比如“小爱同学”，如果对智能硬件的唤醒词身份识别准确率要求较高的话，可以针对固定语句去训练一个模型，可提高识别率。

B）文本无关，指说话内容不固定，不限制语种、方言，只要说话语音达到限定的有效时长即可识别。

C）数字文本，指纯数字的文本，在微信和支付宝里的应用是8位且不重复的数字。

不同的分类，算法模型也有所不同，对应应用的领域和场景也不一样。

另外，采样率也会影响到算法模型，主流音频采样率是8k和16k，电话信道录音是8k的，手机信道录音是16k的。

5、语音质量检测

为提高识别准确率，在进行声纹识别之前，待识别音频需先经过语音质量检测，检测内容包括音频有效时长、音量大小、信噪比，这些检测项均可根据不同的使用场景和需求进行参数配置，一旦其中一项检测没有达到标准，就会返回提示给用户重新调整录音。

当然这不是必须的，根据实际的需求进行设置即可，参数配置得越严格，有利于保证识别的准确性，但会影响用户体验。

6、评判标准

声纹1:1和声纹1:N的评判标准不一样。

1）声纹1:1

声纹1:1的评判标准主要看两个，错误拒绝率（False Reject Rate，FRR）和错误接受率（False Accept Rate，FAR ）。FRR指把本应判定对“Ture”的人，判定为“False”，FAR指把本应判定为“False”的人，判定为“Ture”。二者的定义公式如下：

• 错误拒绝率（FRR）=被错误拒绝的样本数/应被接受的样本数*100%

• 错误接受率（FAR）=被错误接受的样本数/应被拒绝的样本数*100%

FAR越高，体验越好，安全性越低，FRR越高则相反，而二者是此消彼长的，可通过调整阈值进行权衡，根据不同的场景需求，调整得到不同的指标。

FAR和FRR的相互变化曲线，称为ROC曲线，曲线上FAR=FRR的点，为等错误率（EER），EER越小，算法模型越好。