每逢年末，各類融資消息多不勝數(shù)，百萬(wàn)起步，上不封頂。在這其中，一條并不起眼的數(shù)千萬(wàn)人民幣的融資消息引人注意。

這幾年，在市場(chǎng)、技術(shù)、政策等多重影響下，曾經(jīng)浮浮沉沉的AI正在各個(gè)行業(yè)普及開來(lái)。從應(yīng)用層面來(lái)看，AI初創(chuàng)公司大多以人臉識(shí)別落地；而SpeakIn（勢(shì)必可贏科技）卻另辟蹊徑以聲紋識(shí)別為刃攻克各個(gè)行業(yè)的城池壁壘，為傳統(tǒng)行業(yè)賦能，并于近期獲得新一輪千萬(wàn)融資。

欲用聲紋識(shí)別攻破安防圈

SpeakIn 于2015在硅谷創(chuàng)立，聚焦聲紋生物信息ID，商業(yè)化落地主要包含四大塊：1、安防領(lǐng)域；2、民生領(lǐng)域；3、金融領(lǐng)域；4、智能硬件。針對(duì)這些場(chǎng)景，目前已推出多套產(chǎn)品及解決方案。

SpeakIn COO易鵬宇坦稱道，在這其中，公司戰(zhàn)略優(yōu)先級(jí)最高的當(dāng)屬安防領(lǐng)域，落地方式主要有兩種：

• 防止電信詐騙。如今，各地公安部門都有個(gè)人信息采集系統(tǒng)，包括人臉、指紋、聲音等信息都有錄入。如果該案件涉及到聲音辨識(shí)，便可通過(guò)該系統(tǒng)輕松找到嫌疑人。

• 幫助尋找丟失兒童。如果懷疑某人是被拐賣兒童，在系統(tǒng)內(nèi)輸入其聲音，只要之前有他們的視頻、聲音，通過(guò)對(duì)兩者的對(duì)比，就可判定是否是被拐賣兒童。易鵬宇解釋說(shuō)，對(duì)于公安部門來(lái)說(shuō)，這是一個(gè)新的手段，但會(huì)受到年齡跨度的阻礙。

而就此，今年6月，SpeakIn還與公安部門合作建立“智能聲紋系統(tǒng)聯(lián)合實(shí)驗(yàn)室”，共同投入研發(fā)公安業(yè)務(wù)與安防領(lǐng)域的先進(jìn)產(chǎn)品與系統(tǒng)，用聲紋識(shí)別技術(shù)為社會(huì)安定和國(guó)家安全提供服務(wù)和保障。

聲紋識(shí)別的“前世今生”

雷鋒網(wǎng)了解到，該技術(shù)最早誕生于上世紀(jì)四十年代的貝爾實(shí)驗(yàn)室。它是通過(guò)對(duì)一種或多種語(yǔ)音信號(hào)的特征分析來(lái)達(dá)到對(duì)未知聲音辨別的目的，簡(jiǎn)單來(lái)說(shuō)就是辨別某一句話是否是某一個(gè)人說(shuō)的技術(shù)。

它常常應(yīng)用于刑偵破案、罪犯跟蹤、國(guó)防監(jiān)聽(tīng)、個(gè)性化應(yīng)用等等，主要抽取說(shuō)話人聲音的基音頻譜及包絡(luò)、基音幀的能量、基音共振峰的出現(xiàn)頻率及其軌跡等參數(shù)表征，然后再與模式識(shí)別等傳統(tǒng)匹配方法結(jié)合進(jìn)行聲紋識(shí)別。

易鵬宇告訴雷鋒網(wǎng)，一宗案件中，同時(shí)具有指紋、人臉、聲音的案件少之又少?；ヂ?lián)網(wǎng)時(shí)代下，很多犯罪行為都是通過(guò)微信、電話等網(wǎng)絡(luò)設(shè)備，聲音成為最明顯的突破口。

對(duì)此，公安部門也早已意識(shí)到。雷鋒網(wǎng)了解到，多年之前，我國(guó)就有設(shè)立聲紋識(shí)別中心，一些工作經(jīng)驗(yàn)豐富的專家用一些很傳統(tǒng)的軟件通過(guò)識(shí)別聲音頻譜圖，花上五個(gè)小時(shí)、甚至十個(gè)小時(shí)去聽(tīng)辨一條聲音。方言口音、輕重音、韻律特征、發(fā)音習(xí)慣、語(yǔ)流中的吞音現(xiàn)象、鼻韻味的發(fā)音特征、聲音基頻等等都是在聲紋專家輔助系統(tǒng)之前，人力需要判斷的聲紋特征，一個(gè)案子可能一周都聽(tīng)不完，辦案效率非常低下。

即便如此，這種作業(yè)模式目前還在各個(gè)公安部門中廣泛使用。

其實(shí)，從理論上來(lái)說(shuō)，聲紋就像指紋一樣，是具有唯一性的生物信息特征，該技術(shù)在美國(guó)也一直被廣泛使用。據(jù)悉，美國(guó)聯(lián)邦調(diào)查局對(duì)2000例與聲紋相關(guān)的案件進(jìn)行統(tǒng)計(jì)，利用聲紋作為證據(jù)只有0.31%的錯(cuò)誤率。截至目前，已經(jīng)為美國(guó)警方破獲了幾千起案件，為辦案人員提供了有效的線索和證據(jù)。

顯然，相比美國(guó)，該技術(shù)在我國(guó)的推廣、使用略為緩慢。究其原因，主要因此前國(guó)內(nèi)相關(guān)公司技術(shù)上的不成熟讓聲紋識(shí)別在公安那里吃了‘閉門羹’。“聲音是人類最自然的交互方式之一，但相比于人臉識(shí)別技術(shù)，聲紋技術(shù)在超大規(guī)模識(shí)別能力上前些年一直沒(méi)有太大的突破。”易鵬宇說(shuō)道。

在他看來(lái)，如今是時(shí)候全面應(yīng)用了。

從技術(shù)角度來(lái)看，目前在十萬(wàn)的聲紋庫(kù)中尋單一聲音，SpeakIn可以做到 Top10（相似值），命中率可達(dá)99%點(diǎn)幾。而據(jù)雷鋒網(wǎng)了解，目前全國(guó)最大的聲紋庫(kù)大概是五到六萬(wàn)，如此可觀的識(shí)別率，幫助警方成功破案是一件非常大概率的事情。

聲紋識(shí)別如何切入安防行業(yè)

在與公安部門多次交流中，易鵬宇發(fā)現(xiàn)公安的需求非常明確，主要圍繞能“破案”展開，并且是能快速、方便、智能地破案。

他介紹說(shuō)，公安部門引入聲紋識(shí)別技術(shù)之后，把案件聲音錄入系統(tǒng)（智能聲紋鑒定專家輔助系統(tǒng)），隨之與庫(kù)中語(yǔ)音相比對(duì)，之后該聲音通過(guò)機(jī)器學(xué)習(xí)拆分成多個(gè)音素的頻譜圖，五分鐘后就可以判別聲音歸屬，并給出很好的排名結(jié)果（TOP值），提升辦案效率。

而這其中主要得益于兩大“功臣”：

• 聲音采集方面有多信道的麥克風(fēng)，其中裝載多信道脈沖，八個(gè)麥克風(fēng)可以收集來(lái)自不同信道的音源，包括微信、電話、手機(jī)等。易鵬宇透露，在一個(gè)設(shè)備上集成這些麥克風(fēng)非常有必要，每個(gè)信道來(lái)的聲音會(huì)有細(xì)微的差別，通過(guò)該技術(shù)后，無(wú)論是移動(dòng)3G信號(hào)，還是移動(dòng)4G信號(hào)，系統(tǒng)都可以精確區(qū)分。

• 另一塊是軟件系統(tǒng)，名為鑒定工作站。有聲音的采集、輸入、比對(duì)、鑒定和結(jié)果的輸入，后面還有一套本地部署的私有云服務(wù)作支撐。

總體而言，最終SpeakIn為公安客戶提供的是一套完整的解決方案及服務(wù)。

聲紋識(shí)別可用性如何？

聲智科技CEO陳孝良博士此前接受雷鋒網(wǎng)專訪時(shí)曾表示，現(xiàn)在大部分研究都是有關(guān)動(dòng)態(tài)聲紋實(shí)時(shí)檢測(cè)，動(dòng)態(tài)檢測(cè)的方法自然要利用靜態(tài)檢測(cè)的各種原理方法，同時(shí)也需要增加其他很多算法， 比如VAD、降噪、去混響等。VAD的目的是檢測(cè)是不是人的聲音，降噪和去混響是排除環(huán)境干擾，這不僅對(duì)于聲紋檢測(cè)很中重要，對(duì)于語(yǔ)音識(shí)別更加重要。    

VAD常用兩個(gè)方法，基于能量檢測(cè)和LTSD（Long-Term Spectral Divergence)，當(dāng)前用的較多是LTSD，另外特征提取方面還需要：動(dòng)態(tài)時(shí)間規(guī)整 (DTW)、矢量量化 (VQ)、支持向量機(jī) (SVM)，模型方面則需要隱馬爾可夫模型 (HMM)和高斯混合模型 (GMM)。

雖然聲紋識(shí)別的唯一性很好，但實(shí)際上現(xiàn)有的設(shè)備和技術(shù)仍然很難做出準(zhǔn)確分辨，特別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，主要包括：

1、外界噪音；

2、多人說(shuō)話；

3、身體狀況；

4、情緒影響。

就此，易鵬宇也坦承，聲紋識(shí)別技術(shù)的應(yīng)用對(duì)于環(huán)境的要求的確比較苛刻，噪音干擾等問(wèn)題仍是聲音領(lǐng)域的難點(diǎn)。（因?yàn)椴粌H對(duì)聲紋，語(yǔ)音語(yǔ)義識(shí)別也面臨著噪聲等問(wèn)題）

他同時(shí)也強(qiáng)調(diào)說(shuō)，聲紋識(shí)別在智能硬件等領(lǐng)域應(yīng)用充當(dāng)娛樂(lè)功能；用作公安、金融等領(lǐng)域，認(rèn)證手段也并非獨(dú)立或者優(yōu)先使用，它與其他生物識(shí)別方式是并存的。不同類型的生物識(shí)別各有優(yōu)勢(shì)，很多時(shí)候都是配合使用，多了一道屏障，絕非當(dāng)且僅當(dāng)。

值得一提的是，隨著技術(shù)的不斷成熟，公安部為采購(gòu)這些設(shè)備還正式頒布了《安防聲紋識(shí)別應(yīng)用系統(tǒng)技術(shù)要求》的行業(yè)標(biāo)準(zhǔn)。換言之，聲音也是可以作為證據(jù)進(jìn)行鑒定的。

小結(jié)

“不同于人臉識(shí)別的大規(guī)模數(shù)據(jù)庫(kù)，聲紋識(shí)別的難點(diǎn)在于目前聲紋庫(kù)的規(guī)模還有待擴(kuò)充；另外，在聲音領(lǐng)域還有類似雞尾酒會(huì)這樣的技術(shù)難關(guān)需要攻克，想要做好這件事，必須保持耐心?！?/strong>易鵬宇說(shuō)道。

的確，都是深度學(xué)習(xí)基于數(shù)據(jù)驅(qū)動(dòng)的模型，與人臉識(shí)別一樣，聲紋識(shí)別的訓(xùn)練也需要龐大的數(shù)據(jù)積累及對(duì)數(shù)據(jù)的精確標(biāo)注。

而相比人臉識(shí)別，聲紋識(shí)別難上加難。

聲紋識(shí)別訓(xùn)練庫(kù)的建立，至少要保證性別比例分布為50%±5%，包含有不同年齡段、不同地域、不同口音、不同職業(yè)。同時(shí)，測(cè)試樣本應(yīng)該涵蓋文本內(nèi)容是否相關(guān)、采集設(shè)備、傳輸信道、環(huán)境噪音、錄音回放、聲音模仿、時(shí)間跨度、采樣時(shí)長(zhǎng)、健康狀況和情感因素等影響聲紋識(shí)別性能的主要因素。

也就是說(shuō)，聲紋識(shí)別對(duì)數(shù)據(jù)的要求其實(shí)比語(yǔ)音識(shí)別還要高很多，這條路會(huì)很難。但慶幸的是，我國(guó)目前也有像SpeakIn這樣的AI初創(chuàng)公司在堅(jiān)持做拓荒者。用易鵬宇的話說(shuō)，“這不正是創(chuàng)業(yè)者需要做的事嗎？”

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。