0
| 本文作者： 張棟 | 2017-11-21 14:36 | 專題：AI最佳掘金案列 |
每逢年末，各類融資消息多不勝數(shù)，百萬起步，上不封頂。在這其中，一條并不起眼的數(shù)千萬人民幣的融資消息引人注意。
這幾年，在市場、技術(shù)、政策等多重影響下，曾經(jīng)浮浮沉沉的AI正在各個行業(yè)普及開來。從應(yīng)用層面來看，AI初創(chuàng)公司大多以人臉識別落地；而SpeakIn（勢必可贏科技）卻另辟蹊徑以聲紋識別為刃攻克各個行業(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融資。
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。針對這些場景，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，便可通過該系統(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，通過對兩者的對比，就可判定是否是被拐賣兒童。易鵬宇解釋說，對于公安部門來說，這是一個新的手段，但會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)合實驗室”，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)，用聲紋識別技術(shù)為社會安定和國家安全提供服務(wù)和保障。
雷鋒網(wǎng)了解到，該技術(shù)最早誕生于上世紀(jì)四十年代的貝爾實驗室。它是通過對一種或多種語音信號的特征分析來達(dá)到對未知聲音辨別的目的，簡單來說就是辨別某一句話是否是某一個人說的技術(shù)。
它常常應(yīng)用于刑偵破案、罪犯跟蹤、國防監(jiān)聽、個性化應(yīng)用等等，主要抽取說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，然后再與模式識別等傳統(tǒng)匹配方法結(jié)合進(jìn)行聲紋識別。
易鵬宇告訴雷鋒網(wǎng)，一宗案件中，同時具有指紋、人臉、聲音的案件少之又少。互聯(lián)網(wǎng)時代下，很多犯罪行為都是通過微信、電話等網(wǎng)絡(luò)設(shè)備，聲音成為最明顯的突破口。
對此，公安部門也早已意識到。雷鋒網(wǎng)了解到，多年之前，我國就有設(shè)立聲紋識別中心，一些工作經(jīng)驗豐富的專家用一些很傳統(tǒng)的軟件通過識別聲音頻譜圖，花上五個小時、甚至十個小時去聽辨一條聲音。方言口音、輕重音、韻律特征、發(fā)音習(xí)慣、語流中的吞音現(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，一個案子可能一周都聽不完，辦案效率非常低下。
即便如此，這種作業(yè)模式目前還在各個公安部門中廣泛使用。
其實，從理論上來說，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)在美國也一直被廣泛使用。據(jù)悉，美國聯(lián)邦調(diào)查局對2000例與聲紋相關(guān)的案件進(jìn)行統(tǒng)計，利用聲紋作為證據(jù)只有0.31%的錯誤率。截至目前，已經(jīng)為美國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，該技術(shù)在我國的推廣、使用略為緩慢。究其原因，主要因此前國內(nèi)相關(guān)公司技術(shù)上的不成熟讓聲紋識別在公安那里吃了‘閉門羹’。“聲音是人類最自然的交互方式之一，但相比于人臉識別技術(shù)，聲紋技術(shù)在超大規(guī)模識別能力上前些年一直沒有太大的突破。”易鵬宇說道。
在他看來，如今是時候全面應(yīng)用了。
從技術(shù)角度來看，目前在十萬的聲紋庫中尋單一聲音，SpeakIn可以做到 Top10（相似值），命中率可達(dá)99%點幾。而據(jù)雷鋒網(wǎng)了解，目前全國最大的聲紋庫大概是五到六萬，如此可觀的識別率，幫助警方成功破案是一件非常大概率的事情。
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，公安部門引入聲紋識別技術(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)），隨之與庫中語音相比對，之后該聲音通過機(jī)器學(xué)習(xí)拆分成多個音素的頻譜圖，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，八個麥克風(fēng)可以收集來自不同信道的音源，包括微信、電話、手機(jī)等。易鵬宇透露，在一個設(shè)備上集成這些麥克風(fēng)非常有必要，每個信道來的聲音會有細(xì)微的差別，通過該技術(shù)后，無論是移動3G信號，還是移動4G信號，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、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)。
聲智科技CEO陳孝良博士此前接受雷鋒網(wǎng)專訪時曾表示，現(xiàn)在大部分研究都是有關(guān)動態(tài)聲紋實時檢測，動態(tài)檢測的方法自然要利用靜態(tài)檢測的各種原理方法，同時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，這不僅對于聲紋檢測很中重要，對于語音識別更加重要。
VAD常用兩個方法，基于能量檢測和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：動態(tài)時間規(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)。
雖然聲紋識別的唯一性很好，但實際上現(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、多人說話；
3、身體狀況；
4、情緒影響。
就此，易鵬宇也坦承，聲紋識別技術(shù)的應(yīng)用對于環(huán)境的要求的確比較苛刻，噪音干擾等問題仍是聲音領(lǐng)域的難點。（因為不僅對聲紋，語音語義識別也面臨著噪聲等問題）
他同時也強(qiáng)調(diào)說，聲紋識別在智能硬件等領(lǐng)域應(yīng)用充當(dāng)娛樂功能；用作公安、金融等領(lǐng)域，認(rèn)證手段也并非獨立或者優(yōu)先使用，它與其他生物識別方式是并存的。不同類型的生物識別各有優(yōu)勢，很多時候都是配合使用，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，公安部為采購這些設(shè)備還正式頒布了《安防聲紋識別應(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。
“不同于人臉識別的大規(guī)模數(shù)據(jù)庫，聲紋識別的難點在于目前聲紋庫的規(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>易鵬宇說道。
的確，都是深度學(xué)習(xí)基于數(shù)據(jù)驅(qū)動的模型，與人臉識別一樣，聲紋識別的訓(xùn)練也需要龐大的數(shù)據(jù)積累及對數(shù)據(jù)的精確標(biāo)注。
而相比人臉識別，聲紋識別難上加難。
聲紋識別訓(xùn)練庫的建立，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，測試樣本應(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、時間跨度、采樣時長、健康狀況和情感因素等影響聲紋識別性能的主要因素。
也就是說，聲紋識別對數(shù)據(jù)的要求其實比語音識別還要高很多，這條路會很難。但慶幸的是，我國目前也有像SpeakIn這樣的AI初創(chuàng)公司在堅持做拓荒者。用易鵬宇的話說，“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。詳情見轉(zhuǎn)載須知。
專題
