声纹识别算法

㈠ 声纹识别的关键问题

声纹识别可以说有两个关键问题，一是特征提取，二是模式匹配(模式识别)。 特征提取的任务是提取并选择对说话人的声纹具有可分性强、稳定性高等特性的声学或语言特征。与语音识别不同，声纹识别的特征必须是“个性化”特征，而说话人识别的特征对说话人来讲必须是“共性特征”。虽然目前大部分声纹识别系统用的都是声学层面的特征，但是表征一个人特点的特征应该是多层面的，包括：(1)与人类的发音机制的解剖学结构有关的声学特征(如频谱、倒频谱、共振峰、基音、反射系数等等)、鼻音、带深呼吸音、沙哑音、笑声等；(2)受社会经济状况、受教育水平、出生地等影响的语义、修辞、发音、言语习惯等；(3)个人特点或受父母影响的韵律、节奏、速度、语调、音量等特征。从利用数学方法可以建模的角度出发，声纹自动识别模型目前可以使用的特征包括：(1)声学特征(倒频谱)；(2)词法特征(说话人相关的词n-gram，音素n-gram)；(3)韵律特征(利用n-gram描述的基音和能量“姿势”)；(4)语种、方言和口音信息；(5)通道信息(使用何种通道)；等等。
根据不同的任务需求，声纹识别还面临一个特征选择或特征选用的问题。例如，对“信道”信息，在刑侦应用上，希望不用，也就是说希望弱化信道对说话人识别的影响，因为我们希望不管说话人用什么信道系统它都可以辨认出来；而在银行交易上，希望用信道信息，即希望信道对说话人识别有较大影响，从而可以剔除录音、模仿等带来的影响。
总之，较好的特征，应该能够有效地区分不同的说话人，但又能在同一说话人语音发生变化时保持相对的稳定；不易被他人模仿或能够较好地解决被他人模仿问题；具有较好的抗噪性能；……。当然，这些问题也可以通过模型方法去解决。 对于模式识别，有以下几大类方法：
(1)模板匹配方法：利用动态时间弯折(DTW)以对准训练和测试特征序列，主要用于固定词组的应用(通常为文本相关任务)；
(2)最近邻方法：训练时保留所有特征矢量，识别时对每个矢量都找到训练矢量中最近的K个，据此进行识别，通常模型存储和相似计算的量都很大；
(3)神经网络方法：有很多种形式，如多层感知、径向基函数(RBF)等，可以显式训练以区分说话人和其背景说话人，其训练量很大，且模型的可推广性不好；
(4)隐式马尔可夫模型(HMM)方法：通常使用单状态的HMM，或高斯混合模型(GMM)，是比较流行的方法，效果比较好；
(5)VQ聚类方法(如LBG)：效果比较好，算法复杂度也不高，和HMM方法配合起来更可以收到更好的效果；
(6)多项式分类器方法：有较高的精度，但模型存储和计算量都比较大；
(7)……
声纹识别需要解决的关键问题还有很多，诸如：短话音问题，能否用很短的语音进行模型训练，而且用很短的时间进行识别，这主要是声音不易获取的应用所需求的；声音模仿(或放录音)问题，要有效地区分开模仿声音(录音)和真正的声音；多说话人情况下目标说话人的有效检出；消除或减弱声音变化(不同语言、内容、方式、身体状况、时间、年龄等)带来的影响；消除信道差异和背景噪音带来的影响；……此时需要用到其他一些技术来辅助完成，如去噪、自适应等技术。
对说话人确认，还面临一个两难选择问题。通常，表征说话人确认系统性能的两个重要参数是错误拒绝率(False Rejection Rate, FRR)和错误接受率(False Acceptation Rate, FAR)，前者是拒绝真正说话人而造成的错误，后者是接受集外说话人而造成的错误，二者与阈值的设定相关，两者相等的值称为等错率(Equal Error Rate, EER)。在现有的技术水平下，两者无法同时达到最小，需要调整阈值来满足不同应用的需求，比如在需要“易用性”的情况下，可以让错误拒绝率低一些，此时错误接受率会增加，从而安全性降低；在对“安全性”要求高的情况下，可以让错误接受率低一些，此时错误拒绝率会增加，从而易用性降低。前者可以概括为“宁错勿漏”，而后者可以“宁漏勿错”。我们把真正阈值的调整称为“操作点”调整。好的系统应该允许对操作点的自由调整。 声纹识别可以应用的范围很宽，可以说声纹识别几乎可以应用到人们日常生活的各个角落。比如下面举几个例子。
(1)信息领域。比如在自动总机系统中，把身份证之声纹辨认和关键词检出器结合起来，可以在姓名自动拨号的同时向受话方提供主叫方的身份信息。前者用于身份认证，后者用于内容认证。同样，声纹识别技术可以在呼叫中心(Call Center)应用中为注册的常客户提供友好的个性化服务。
(2)银行、证券。鉴于密码的安全性不高，可以用声纹识别技术对电话银行、远程炒股等业务中的用户身份进行确认，为了提供安全性，还可以采取一些其他措施，如密码和声纹双保险，如随机提示文本用文本相关的声纹识别技术进行身份确认(随机提示文本保证无法用事先录好的音去假冒)，甚至可以把交易时的声音录下来以备查询。
(3)公安司法。对于各种电话勒索、绑架、电话人身攻击等案件，声纹辨认技术可以在一段录音中查找出嫌疑人或缩小侦察范围；声纹确认技术还可以在法庭上提供身份确认（同一性鉴定）的旁证。在监狱亲情电话应用中，通过采集犯人家属的声纹信息，可有效鉴别家属身份的合法性。在司法社区矫正应用中，通过识别定位手机位置和呼叫对象说话声音的个人特征，系统就可以快速的自动判断被监控人是否在规定的时间出现在规定的场所，有效地解决人机分离问题。
(4)军队和国防。声纹辨认技术可以察觉电话交谈过程中是否有关键说话人出现，继而对交谈的内容进行跟踪(战场环境监听)；在通过电话发出军事指令时，可以对发出命令的人的身份进行确认(敌我指战员鉴别)。目前该技术在国外军事方面已经有所应用，据报道，迫降在我国海南机场的美军EP-3侦察机中就载有类似的声纹识别侦听模块。
(5)保安和证件防伪。如机密场所的门禁系统。又如声纹识别确认可用于信用卡、银行自动取款机、门、车的钥匙卡、授权使用的电脑、声纹锁以及特殊通道口的身份卡，把声纹存在卡上，在需要时，持卡者只要将卡插入专用机的插口上，通过一个传声器读出事先已储存的暗码，同时仪器接收持卡者发出的声音，然后进行分析比较，从而完成身份确认。同样可以把含有某人声纹特征的芯片嵌入到证件之中，通过上面所述的过程完成证件防伪。

㈡ 继公安机关人脸识别系统之后，声纹识别将成为公安系统下一个杀手级应用

在前不久的苹果 WWDC 2019 全球开发者大会，有一项更新可能很多人没太多关注，那就是 HomePod 加入了声纹识别功能，可以通过声纹识别特定的用户。

最近也有消息称 Siri 也将加入声纹识别，当你说出“Hey Siri”的时候，Siri 可以知道是不是主人在喊它。这或许并非只是传言，毕竟去年苹果就曾在技术博客上发文，披露了关于 Siri 的声纹识别技术细节。

声纹识别(Voiceprint Recognition)，也叫做说话人识别是一项根据语音波形中反映说话人生理和行为特征的语音参数，来识别语音说话者身份的技术。由于每个人的发声器官（舌、牙齿、喉头、肺、鼻腔）在尺寸和形态方面不尽相同，因此声纹也就成为一种鉴别说话人身份的识别手段。

那么我们在经历从指纹识别到人脸识别后，声音是不是会成为新主流密码认证模式呢？

虽然目前声纹识别还没在智能手机这样的消费级产品中普及，但其实在银行交易和国防安全等领域已经广泛应用。

据市场调查得知，国内平安集团、广大银行、华瑞银行、交通银行等多家银行目前都支持声纹识别，这些银行背后的技术服务商为老牌声纹识别厂家--快商通，基于快商通在声纹识别技术里的国际领先技术实力，目前在登录、支付、业务核身、信贷等银行场景中已有非常成熟的落地应用。

你可能没想到，最青睐这项新技术的人群居然是老年人。一些国外的银行表示老年的注册人数激增，因为声纹识别让他们不用记住密码，也降低了被欺诈的可能性。英国汉普郡一位退休音乐教师 Michael Wallis 曾经被骗子盗取账户信息后从账户里转账，银行建议他使用声纹识别技术， Michael 目前已经用声纹识别来进行了 100 多次交易和查询余额，他表示这让他更加放心。

其实声纹识别技术最早的大规模应用是在国防安全领域，据 The Intercept 报道，美国国家安全局(NSA)2006 年 1 月的机密备忘录显示，NSA 分析员通过一种“用声音识别人的技术”，在音频文件与电话监控中识别出一位间谍。

这里面所用到显然就是声纹识别技术，而且由于 NSA 的特殊地位，得以建立一个庞大的声纹库，进一步提高了识别效率，即使监控对象使用的是未知号码或者不同的语言，算法都可以与声纹库的数据匹配。

在国内，声纹识别技术目前在公安系统里的应用也非常广泛，主要有以下几个应用场景：

1.重点人员声纹采集和建库

建立重点人员声纹数据库，在110接警、重点区域范围、重大活动期间等，一旦发现重点人员、黑名单人员声纹信息，即进行预警，有效进行事前预防，目前行业做的比较好的有快商通、科大等，快商通的声纹采集器已通过公安部质量检测。

2.侦查破案

利用声纹识别技术海量筛查优势，进行“案查人”、“人查案”、“案查案”与“人查人”等多种排查方式，缩小侦查范围，提高办案效率。

3.反电信诈骗

利用声纹鉴定技术对电信诈骗等案件中的涉案语音进行个体、团伙的识别，确定犯罪嫌疑人身份，为侦查破案、案件诉讼提供技术支撑。

4.治安防控

利用“语种识别”、“内容识别”、“声纹特征识别”等声纹综合分析技术，对重点人员进行布控，一旦出现立即进行关注控制。

现在类似的声纹识别技术也被应用到更多消费级产品，最为常见的就是智能音箱，亚马逊的 Echo，苹果的 HomePod 和阿里的天猫精灵都已经支持，而且国人最常用的微信其实在 2015 年就推出了基于声纹识别技术的声音锁。

不过消费电子产品领域，大多数消费者对于声纹识别技术的接受度还不高。比如上线了 4 年微信声音锁，有不少用户吐槽识别率不高，而且安全性也有待提高。据新京报报道，乱读、读错或播放录音都有可能打开微信声音锁，随后微信方面也承认“确实存在一定的隐患”。

这也是声纹识别技术在消费级领域还不够成熟的一个体现，清华大学语音和语言技术中心主任郑方在接受媒体采访时表示：

目前在声纹识别这个领域，不同技术或产品提供商参差不齐、差异很大；与此同时，声纹识别不再是单一强调准确性，而是变得更为成熟、完备和可用。

如果声纹识别技术在智能手机和众多应用中普及，还可能引发更多关于隐私的问题。这意味 app 通过“偷听”我们的话来给我们进行个性化推荐有可能成为现实。

去年 Facebook 的一项新的专利就可以在远程激活手机的麦克风，从而对用户的对话和周围环境音进行录音，然后将数据传回 Facebook 进行分析。

尽管有许多问题需要解决，但不可否认声纹识别确实有着更广泛的应用前景。生物特征认证技术已经被认为将取代各种明文密码，而声纹比起其他声纹特征也有着特殊的优势，除了更加安全和方便，语音的采集和识别的成本也比面部识别要低，其实更加适合用于密码认证。

在声纹技术研发企业中，位于厦门的快商通，成立于2009年，以声纹识别等智能生物识别、自然语言处理等人工智能技术为核心，投入声纹识别研发超过6年。以李海洲教授领衔的团队，包括来自声学所、新加坡国立大学、清华大学、厦门大学、剑桥大学等全球顶级名校的众多博士和硕士。

产品生态矩阵涵盖针对公安系统的声纹标准采集终端、声纹数据库、声纹反欺诈系统、智能声纹鉴定专家工作站、声纹采集建库平台、社保远程资格综合认证平台、声纹识别引擎、仿真营销客服机器人、智能营销客服系统等等，先后参与了公安部牵头起草的《安全防范声纹识别应用程序接口规范》、《安全防范声纹识别应用网络语音样本技术要求》等多项声纹技术方面的国家标准，与中国标准化研究院合作建立了国内首个国家级“声纹识别技术标准化研究基地”与“自然语言处理技术应用标准化研究基地”。

㈢ 声纹识别是啥意思

所谓声纹(Voiceprint)，是用电声学仪器显示的携带言语信息的声波频谱。

人类语言的产生是人体语言中枢与发音器官之间一个复杂的生理物理过程，人在讲话时使用的发声器官--舌、牙齿、喉头、肺、鼻腔在尺寸和形态方面每个人的差异很大，所以任何两个人的声纹图谱都有差异。每个人的语音声学特征既有相对稳定性，又有变异性，不是绝对的、一成不变的。这种变异可来自生理、病理、心理、模拟、伪装，也与环境干扰有关。尽管如此，由于每个人的发音器官都不尽相同，因此在一般情况下，人们仍能区别不同的人的声音或判断是否是同一人的声音。

声纹识别及其应用

声纹识别的应用有一些缺点，比如同一个人的声音具有易变性，易受身体状况、年龄、情绪等的影响；比如不同的麦克风和信道对识别性能有影响；比如环境噪音对识别有干扰；又比如混合说话人的情形下人的声纹特征不易提取；……等等。尽管如此，与其他生物特征相比，声纹识别的应用有一些特殊的优势：(1)蕴含声纹特征的语音获取方便、自然，声纹提取可在不知不觉中完成，因此使用者的接受程度也高；(2)获取语音的识别成本低廉，使用简单，一个麦克风即可，在使用通讯设备时更无需额外的录音设备；(3)适合远程身份确认，只需要一个麦克风或电话、手机就可以通过网路(通讯网络或互联网络)实现远程登录；(4)声纹辨认和确认的算法复杂度低；(5)配合一些其他措施，如通过语音识别进行内容鉴别等，可以提高准确率；……等等。这些优势使得声纹识别的应用越来越收到系统开发者和用户青睐，声纹识别的世界市场占有率15.8%，仅次于手指和手的生物特征识别，并有不断上升的趋势。

㈣ 声纹识别技术在公安案件侦查中如何应用

从《人民的名义》看声纹识别技术在案件侦查中的应用

被号称为“史上最大尺度反腐剧”的《人民的名义》即将收官，播出期间，该剧一直备受好评。除了曲折的故事情节之外，该剧最大的看点就是公安机关曲折的案件侦查过程，只不过因为剧中涉及到了贪污受贿犯罪案件、刑事案件、经济案件等一系列犯罪事件，错综复杂的关联和故事情节给案件侦查带来了巨大的麻烦。

下面这一幕，相信大家对还有印象：

在《人民的名义》第21集，剧中反贪局长侯亮平与京州市公安局局长赵东来一行在拳击场就陈海车祸案件进行探讨分析时，陈海在车祸前共接到两个举报电话，京州公安局将两个电话交由不同技术部门进行了两次鉴定，得出了两个举报人的声音并非是举报人蔡成功同一个人。

显然，声音的鉴定给公安机关提供了侦查案件的关键证据和调查方向。

随着科技的发展，尤其是生物科技的不断发展并逐渐广泛应用，包括人脸、指纹、掌纹、声纹等生物特征类证据已成为公安和司法机关破案侦查的重要证据之一，在热播的《人民的名义》中，声音就成了调查原汉东省检察院反贪局局长陈海车祸案件的重要线索。

这种通过提取说话人声纹特征来辨别身份的技术被称为声纹识别，特别适用于在无法当面见到当事人的情况。

声纹识别是如何辨别说话人身份的？

众所周知，每个人发音讲话都是通过鼻腔、口舌、声道、胸肺几大器官多重配合的结果，不同人声音的频率、音色、语调甚至口音等特质组成了独特的声纹图谱，包含音质、音长、音强、音高等，通过对这些特征的比对，从而能够实现身份的认证。

声纹识别的过程就是通过录音设备把声音信号转换成电信号，再用信号处理算法提取以上特征，然后使用机器学习算法来识别说话人的身份。这种技术最早40年代末由贝尔实验室开发，主要用于战争时期军事情报领域，技术要求很高，随着科技的发展目前已经开始逐渐被应用到了案件侦查以及金融等商业应用。

声纹识别与身份安全解决方案提供商快商通分析介绍：“在《人民的名义》剧情中，公安刑侦人员通过分析两段电话录音中的音素，比对两段音频中共同音素的频谱，判断两个音素是否来自于同一人。通常来说，如果两段音频存在20个匹配的特征点，那就可以推断是同一人的声音，反之则是不同人的声音。这是声纹身份验证应用中的1:1比对方式”，它的目的是确认语音是否来自某个人，也就是说话人的确认。

此外，在声纹领域还有一种方式是通过1:N的方式来进行声纹对比，它是将一个人的声音与现有声纹数据库中的声纹数据进行对比，进而找出最有可能的说话人，简单来说就是判断语音是哪个人说的，也被称为说话人辨认。这种方式在重点人群监控、犯罪嫌疑人排查以及案件司法证据鉴定方面广泛运用。

快商通表示，过去声纹识别的对比通常采用人工经验，通常情况下通过人工进行对比2~15分钟的音频需要半天到一天的时间。现在通过人工智能，采用机器学习的自动化方法，通过大数据样本序列进行自动化分析，只需要数秒就能判定出结果。更先进的科技技术，也带来了更高效、智能、安全可靠的鉴别服务。

事实上，就如《人民的名义》里所讲的一样，声纹鉴定如今已成为公安司法机关检查办案的关键证据之一，通过语音声纹的对比分析鉴定，可以锁定嫌疑人，进而查找出嫌疑人的性别、年龄、户籍等重要信息，为侦查破案工作提供线索，从而大幅度提高了公安机关的办案效率，降低了办案成本。

国内声纹识别创业公司已经领先全球

声纹识别的准确率是声纹识别最重要的指标之一，全球主要的声纹识别技术厂商都在不断努力提升这一指标。

据了解，在日常环境中使用短语音进行注册和验证，快商通的算法核心指标已经突破99.6%的准确率，达到了世界领先水平，这也标志着快商通的声纹识别技术能够进行大规模的行业应用。从当前世界范围内发表的学术论文看，目前国内还没有第二家企业的声纹识别算法能够达到这一准确率。

这家公司又是什么来头呢？

快商通创立于2009年，公司近300余人，总部位于厦门，上海、深圳、新加坡等地有办事机构和子公司。厦门市人工智能行业协会发起单位、会长单位。获得2019年“吴文俊人工智能科学技术进步奖”、“厦门市科学技术进步奖”等。

2012年开始投入声纹识别和自然语言处理技术研究。获得2018年由美国国家标准局举办的全球声纹大赛（NIST SRE 2018）全球第三名、大中华区第一名；获得由GA部、工信部、网信办联合举办的中国人工智能大赛的“声纹识别”和“同源音频指纹检索”项目的全球第三名和第二名。在金融反诈领域，快商通领衔全国1:N声纹检索能力，在算法、数据、落地经验、算法引擎架构能力等方面，独占鳌头。在医疗教育领域，快商通凭借语义分析和多轮对话技术，占领全国医疗教育智能对话市场80%以上顶端客户。

㈤ 什么是声纹识别

1.声纹识别技术

声纹识别，也叫做说话人识别是一项根据语音波形中反映说话人生理和行为特征的语音参数，来识别语音说话者身份的技术。由于每个人的发声器官（舌、牙齿、喉头、肺、鼻腔）在尺寸和形态方面不尽相同，因此声纹也就成为一种鉴别说话人身份的识别手段。声纹识别系统是以说话人的语音作为输入，用训练得到的特定人声纹模型来识别待测语音的话者身份。

声纹识别系统一般包括两个步骤：声纹建模和声纹验证，典型的声纹识别系统如下图所示。

声纹识别算法的完整训练和识别框架图

其实声纹识别目前在公安领域里应用已经比较多了，展开来说主要有以下几个应用场景：

1.重点人员声纹数据采集和声纹数据库系统建库

建立重点人员声纹数据库，在110接警、重点区域范围、重大活动期间等，一旦发现重点人员、黑名单人员声纹信息，即进行预警，有效进行事前预防，这块目前国内做得比较好的有快商通、科大等。

2.侦查破案

利用声纹识别技术海量筛查优势，进行“案查人”、“人查案”、“案查案”与“人查人”等多种排查方式，缩小侦查范围，提高办案效率，据说快商通在国内已经协助某市公安局破获了好几起案件。

3.反电信诈骗

利用声纹鉴定技术对电信诈骗等案件中的涉案语音进行个体、团伙的识别，确定犯罪嫌疑人身份，为侦查破案、案件诉讼提供技术支撑。个人觉得这个领域的应用是最有意义的，目前对于电信诈骗这种非接触式的案件，侦破还是相当有难度，公安能够拿到的不多的信息基本都是通话记录。

4.治安防控

利用“语种识别”、“内容识别”、“声纹特征识别”等声纹综合分析技术，对重点人员进行布控，一旦出现立即进行关注控制。

㈥ 声纹识别技术主要技术部分有哪些

声纹主要的技术难点在于如何对语音信号进行说话人相关的信息提取和表示。一般而言对一段语音说话人相关特征的提取主要是按照如图所示的流程进行：

㈦ 《最强大脑》人机大战第二期声纹识别的难点有几个

声纹识别任务，简单地说就是判断给定的一句话到底是谁说的任务。主要分为声纹确认技术（1:1）和声纹识别技术（1:N）两类。声纹确认技术回答的是两句话到底是不是一个人说的问题，而声纹识别技术回答的则是”给定的一句话属于样本库中谁说的”问题，见下图。本次节目就是采用了“声纹识别”任务，在21位声音特性及其相似的歌手中，凭借着有限的声音样本，来回答样本属于谁的问题。

本次任务的难点在哪？

难度一：泛化能力。

目前机器学习算法大多采用数据驱动的方法，什么是数据驱动呢？简单来说，就是“你给了机器什么样的数据，机器以后就只认识这样的数据。”而在面对与学习时不一样的数据时，机器则往往会存在识别障碍。衡量一个机器学习算法好坏的一个重要指标，就是机器能够处理学习时没有遇见过的样本的能力，这种能力被称之为”泛化能力”。例如，如果我们让机器学习识别狗时，用的学习样本都是成年的阿拉斯加，那么算法在遇到泰迪时，就会极有可能告诉你泰迪不是一只狗。在声纹识别中我们也会面临着同样的问题，传统的声纹识别任务都是注册和测试都是非常匹配的，即注册采用正常说话，测试也是正常说话。而在本次比赛中，注册的语音则变成了唱歌，测试的才是正常说话。因此，我们需要让我们的模型能够学到同一个人在唱歌和说话时的差异。这对声纹识别算法的泛化能力提出了更高的要求。

难度二：注册语音的趋同效应

一般而言，正常人说话时的声音特征是具有明显的差异的。而本次节目采用的大合唱形式能显着的降低了不同人的差异性。由于合唱的要求大家的声音能像一个人那样的整齐，因此不同的合唱队员的唱歌样本就会有趋同效应，大家会刻意的通过改变发音习惯等来使得合唱的效果更好。这就好比分类难度从猫和狗的识别变成了阿拉斯加和哈士奇的区别。二者的难度有明显的差异。并且，合唱的内容有长时间的语气词内容，更进步增加了注册语音的混淆程度。

难度三：线人测试声音的断断续续

由于人在发音时，存在协同发音的效应，即前后相连的语音总是彼此影响，后面说的内容会受前面说的内容的影响。而这些特性会被机器已数据驱动的方式学习到模型中，而在面临断断续续的语音时，特定说话人的一些发音习惯就有很大可能被损坏掉，从而加大了说话人特征提取表征的难度。

难度四：线人测试声音时长过短

由于目前的机器学习的算法要能够有效的表征出一段语音能够表示的说话人信息，那么这段语音必须要有足够长。否则，语音过短，提取出来的特征不足以有效的表征该说话人的信息，就会导致系统性能出现严重下降。这就是声纹识别领域中的短时语音声纹验证难题。在实际测试中，线人说话的声音过短，不超过10个字，有效时间长短也小于3s。这就给我们的算法带来了极大的难度，我们需要更为鲁棒的来提取出短时的、断断续续的线人说话声音所能够表征的线人特性。

难度五：1:N？1:1

目前国际上的声纹任务，大多是声纹确认任务，也就是1:1的任务。识别的任务要更难一点，比如说目标人的得分在二十人里排在第二，作为确认任务，可以认为准确率是95%，而作为识别任务，准确率就是0%。

难度六：信道问题

信道问题一直是声纹识别领域的一个难点。而这次比赛时现场的信道，和我们之前积累的语音数据有很大的不同，想要收集到大量同信道的数据非常困难，我们必须要想办法将跨信道的影响降到最低。

㈧ 声纹识别的分类

声纹识别(Voiceprint Recognition, VPR)，也称为说话人识别(Speaker Recognition)，有两类，即说话人辨认(Speaker Identification)和说话人确认(Speaker Verification)。前者用以判断某段语音是若干人中的哪一个所说的，是“多选一”问题；而后者用以确认某段语音是否是指定的某个人所说的，是“一对一判别”问题。不同的任务和应用会使用不同的声纹识别技术，如缩小刑侦范围时可能需要辨认技术，而银行交易时则需要确认技术。不管是辨认还是确认，都需要先对说话人的声纹进行建模，这就是所谓的“训练”或“学习”过程。 在对说话的人辨认方面，根据待识别的说话人是否在注册的说话人集合内，说话人辨认可以分为开集(open-set)辨认和闭集(close-set)辨认。前者假定待识别说话人可以在集合外，而后者假定待识别说话人在集合内。显然，开集辨认需要有一个对集外说话人的“拒识问题”，而且闭集辨认的结果要好于开集辨认结果。本质上讲，说话人确认和开集说话人辨认都需要用到拒识技术，为了达到很好的拒识效果，通常需要训练一个假冒者模型或背景模型，以便拒识时有可资比较的对象，阈值容易选定。而建立背景模型的好坏直接影响到拒识甚至声纹识别的性能。一个好的背景模型，往往需要通过预先采集好的若干说话人的数据，通过某种算法去建立。
如果技术达到一定的水平，可以把文本相关识别并入文本无关识别，把闭集辨认并入开集辨认，从而提供更为方便的使用方法。

㈨ 声纹采集设备采用的是什么算法和技术

X90便携式审讯记录系统设备

X90便携式审讯记录系统设备满足公安部《声纹数据采集终端技术要求》。对接蝙蝠声学智能声纹识别引擎、智能声纹鉴定专家工作站等，可以轻松实现声纹识别1：1身份确认、声纹识别1:N嫌疑人排查、声纹辨认等功能。同时可以进行实时比对和声纹鉴定。仅凭一通电话录音或微信语音即可快速确定嫌疑人和缩小侦查范围。

五、声纹市场爆发，蝙蝠声学占领行业制高点，打造实用性与创造性双优口碑

公共安全作为与人们生命财产安全紧密相关的重要领域，在人工智能的助推下，迎来了一轮技术革新，相关智能化应用涌现。基于生物特征的身份识别认证技术为侦破案件提供了强有力的帮助。经国务院同意印发的《“十三五”国家战略性新兴产业发展规划》中，声纹识别更是被重点列入“推广期”。

声纹识别等人工智能技术正在进入大规模实用阶段，只有兼具优良品质和创新价值的AI产品，才能真正助力智慧警务升级。作为行业领头羊，蝙蝠声学未来将持续精准匹配公安需求，不断提升产品性能，致力于公共安全等垂直行业的应用落地，为智慧警务建设贡献力量。

㈩ 详解声纹识别：如何正确评价小度在最强大

本次最强大脑人机挑战的项目是听声识人，背后的技术背景是声纹识别技术。实际上声纹识别是一种行为识别技术，是通过测试、采集声音的波形和变化，与登记过的声音模板进行匹配。该项技术最早由40年代末的贝尔实验室开发，主要用于军事情报领域。随着技术发展，逐步在法医鉴定、法庭证据等领域得到广泛使用。 声纹识别的理论基础 每一个声音都具有独特的特征，通过该特征能将不同人的声音进行有效的区分。 这种特征主要由两个因素决定，第一个是声腔的尺寸，具体包括咽喉、鼻腔和口腔等，这些器官的形状、尺寸和位置决定了声带张力的大小和声音频率的范围。就像指纹一样，每个人的声音也就有独特的特征。第二个因素是发声器官被操纵的方式，发声器官之间相互作用就会产生清晰的语音。人在学习说话的过程中，通过模拟周围不同人的说话方式，就会逐渐形成自己的声纹特征。 理论上来说，声纹就像指纹一样，很少会有两个人具有相同的声纹特征。   小度声纹识别技术解析 最强大脑中，小度机器人拥有的声纹识别技术，实际上属于动态声音实时检测技术，同时还包括VAD、降噪、去混响等（VAD的目的是检测是不是人的声音，降噪和去混响是排除环境干扰）。     考虑到挑战场景是从合唱团中找到特点的人声，难点在于如何对语音信号中说话人相关的信息提取和表示，以及如何去区分类似人声的细微差异。一般而言对一段语音说话人相关特征的提取主要是按照如图所示的流程进行： 对于收集到的语音，首先会进行有效语音检测（VAD），将收集到的语音中非有效部分的语音进行切除，然后进行声学特征提取。由于语音信号是一种短时非平稳不定长的信号，因此一般提取特征都是采取加窗得到以帧为单位的特征。目前采用的声学特征普遍为经典的梅尔频率倒谱系数MFCC、感知现行预测系数PLP，以及目前火热的基于深度学习的特征deep feature。在得到声学特征之后，就是说话人信息的进一步提取。这里采用的建模方法主要采用ivector算法以及带残差处理的深度卷积神经中国络算法。通过建模后，我们就能够对语音进行更深层次的特征表示，使得说话人相关的信息进一步被呈现。最后得到的模型，就能够将特征提取阶段得到的特征进一步转化为能够表征说话人特性的样本。 这样，我们就能够将特定说话人的语音彻底转换为能够表征该说话人特性的模型。（在实际的比赛过程中，21个合唱队员在进行唱歌时，我们通过分别将这21个队员的唱歌声音送入到该模型中，最后得到21个能够表征这些队员信息的模型）。 识别匹配阶段就相对容易理解了，在采集到测试语音之后，进行相应的特征提取操作，然后通过与模版库里面的所有模板样本进行相似距离计算，然后选择距离最近的一个作为最后的判决结果。（在实际比赛过程中，这就相当于三次测试，每次测试，我们将线人的暗号语音送入到模型中，提取特征，然后再分别与21个模型进行打分比较，得分最高者即是机器认为的最有可能的线人）。整个过程如下图所示： 本次声纹识别的难度 可能大家最感兴趣的是，最强人工智能的小度和我们的小选手小宝3题只对了1题。这里我简单说下影响大家发挥的因素，如下： 1、噪音问题 2、多人唱歌 3、声音记忆遗忘 4、特征迁移 排名第一的是噪音问题，包括现场噪音和音乐噪音，这个比上场人脸识别的影响更大（上期存在着光线的影响），音乐本身也会影响机器和选手的判断；第二是多人唱歌，众所周知，声纹的识别主要靠频谱特征，而多人会出现频谱混叠的现象，使得特征分离和识别难度较大；第三，主要是对人类选手的影响，一般的人记忆时间的序列会比空间的要难，尤其是在记忆三串声音序列后，容易出现混淆，这也是为什么doctorWei一再希望小宝多听几遍的原因；最后说下特征迁移，挑战中是通过记忆说话，到辨识唱歌。而往往人们说话和唱歌声纹是不同的，这就存在一个特征迁移的问题，对应到我们的两位选手需要一定的归纳推理能力。 以上4个因素使得最终结果不是那么完美，但是也正是这些不完美才会让我们在技术上不断进步，不断超越过去的自己