近年來，生物識別技術(shù)發(fā)展勢頭迅猛，特別是人臉、指紋等技術(shù)已經(jīng)趨于成熟，在市場上早已被廣泛應(yīng)用。而聲紋識別作為生物識別技術(shù)的新秀，目前在市場上似乎表現(xiàn)得有些低調(diào)，許多消費者對此都比較陌生。盡管聲紋識別在安防、金融等領(lǐng)域也有部分應(yīng)用落地，但市場規(guī)模相較指紋、人臉識別等成熟的生物識別技術(shù)似乎還有不少距離，聲紋識別技術(shù)能否迎來大規(guī)模應(yīng)用？距離市場爆發(fā)還有哪些問題需要解決呢？

技術(shù)趨于成熟，商用領(lǐng)域打頭炮

隨著移動支付、信息安全以及智能手機(jī)產(chǎn)業(yè)的發(fā)展，無論是企業(yè)還是消費者都對于信息安全有著越來越高的要求。在這種需求的的驅(qū)動之下，生物識別技術(shù)便迎來了最好的發(fā)展時期，近年如指紋、人臉等生物識別技術(shù)被廣泛應(yīng)用到各行各業(yè)，已經(jīng)滲透到人們生活中的方方面面。

據(jù)前瞻產(chǎn)業(yè)研究院的分析，聲紋識別的市場規(guī)模目前將近百億美元，預(yù)計2020年，更是有望超過200億美元，占整個生物識別市場的22.4%。從網(wǎng)絡(luò)身份認(rèn)證應(yīng)用領(lǐng)域來看，據(jù)國外權(quán)威調(diào)研機(jī)構(gòu)MarketsandMarkets 數(shù)據(jù)顯示，2019年網(wǎng)絡(luò)安全市場預(yù)計增長至 1557.4億美元，其中，身份認(rèn)證信息安全市場規(guī)模將超過300億美元，聲紋識別在其中也將扮演重要角色。

作為生物識別技術(shù)之一，聲紋識別有著數(shù)十年的研究歷史，但直到近兩年來，依托學(xué)術(shù)界基礎(chǔ)理論突破、語音庫規(guī)模激增以及聲學(xué)傳感器技術(shù)的進(jìn)步等方面，聲紋識別在短語音、跨信道以及抗噪性能等方面取得突破，才驅(qū)動聲紋識別技術(shù)快速達(dá)到了趨于成熟的階段。目前，聲紋識別技術(shù)已能支持對千萬級的聲紋庫開展實時檢索應(yīng)用。

而另一方面，與指紋、人臉等生物識別技術(shù)相比，聲紋識別目前的應(yīng)用領(lǐng)域似乎還比較狹窄，據(jù)編者了解，目前聲紋識別在商業(yè)領(lǐng)域應(yīng)用較多，如金融、政企、安防等等。而對于普通消費者而言，聲紋識別還相對比較陌生，但近來也有向著消費終端發(fā)展的趨勢，時下流行的智能音箱如天貓精靈、小度等等都已經(jīng)配備了聲紋識別。

事實上，聲紋識別首先從金融、安防等商業(yè)領(lǐng)域獲得認(rèn)可并廣泛應(yīng)用，是有跡可循的。聲智科技合伙人兼CGO古擘在接受《華強電子》采訪時表示：“過去語音技術(shù)的應(yīng)用場景因為遠(yuǎn)場語音技術(shù)不成熟而受到很多應(yīng)用限制，聲紋也就局限在一些專業(yè)領(lǐng)域的特定場景。但是，這幾年隨著遠(yuǎn)場語音技術(shù)的成熟，語音交互應(yīng)用正在得到快速的發(fā)展，隨著以遠(yuǎn)場語音為特點的人機(jī)交互方式越來越普及，聲紋識別也必將從金融、安防等專業(yè)領(lǐng)域進(jìn)入更廣闊的應(yīng)用場景。另一方面是聲紋識別自身處理方法相對復(fù)雜，存在一定的技術(shù)壁壘，比如真實場景下聲紋識別對噪聲的魯棒性和短語音魯棒性。但是近年來，隨著深度學(xué)習(xí)的發(fā)展，真實場景下標(biāo)注數(shù)據(jù)的使用，以及智能設(shè)備的爆發(fā)式增長，聲紋識別結(jié)合多種語音技術(shù)和端到端方向發(fā)展，使得聲紋識別逐漸開始進(jìn)入多個場景應(yīng)用有了技術(shù)保證。”

而快商通公檢法事業(yè)群總經(jīng)理李稀敏認(rèn)為，聲紋識別首先在金融和安防等領(lǐng)域獲得廣泛應(yīng)用的原因是，這些領(lǐng)域本身具有的特殊性質(zhì)。李稀敏表示：“很多技術(shù)在金融和公安領(lǐng)域的應(yīng)用往往具備示范效應(yīng)。比如指紋和人臉識別，在金融、公安領(lǐng)域應(yīng)用價值大，哪怕識別精度不高，也能解決金融和公安的部分痛點。反過來，因金融和公安的投入比較大，對技術(shù)的促進(jìn)作用很大。不像在民用領(lǐng)域，個人痛點的價值本身不是很大，對技術(shù)的反推力嚴(yán)重不足，尤其是技術(shù)發(fā)展初期，民用領(lǐng)域基本沒有使用這些前沿技術(shù)的動力。因此，快商通在2016年也是率先將聲紋識別拓展到金融領(lǐng)域，隨后在2018又開始拓展聲紋在公安領(lǐng)域的應(yīng)用。2019年開始，公安領(lǐng)域在聲紋采集裝備上的投入非常大，促使全國10余家聲紋技術(shù)廠商大力投入聲紋技術(shù)和產(chǎn)品研發(fā)，迅速地推動了聲紋技術(shù)的整體水平?！?/p>

另一方面，相比起指紋、人臉等生物識別技術(shù)需要通過接觸和主動面對鏡頭，聲紋的錄取信息和識別過程完全是無感的，這使得聲紋識別具有得天獨厚的優(yōu)勢。李稀敏表示，語音是最自然的人機(jī)交互方式，也是身份識別最佳的方式之一。一方面，隨著聲紋傳感器技術(shù)的進(jìn)步，聲紋識別已經(jīng)可以適用于復(fù)雜噪音場景下。另一方面，由于其非接觸式和低隱私侵犯性的獨特優(yōu)點，相比于指紋、人臉、虹膜等身份驗證方式，聲紋更容易被大眾接受，因此可以在金融、安防、政務(wù)等領(lǐng)域中能夠被廣泛使用。此外，在產(chǎn)業(yè)落地方面，由于聲紋傳感器造價更低而具備廣泛應(yīng)用的優(yōu)勢。

因此，聲紋識別在金融、安防等領(lǐng)域的應(yīng)用，是由于其本身的特性符合這些行業(yè)的需求，擊中了行業(yè)的痛點。同時，技術(shù)的發(fā)展離不開資本的支持，在這些行業(yè)的大力投入下，聲紋識別技術(shù)也得到了更大發(fā)展機(jī)遇，形成一個良性循環(huán)。在商用領(lǐng)域打下屬于自己版圖后，聲紋識別技術(shù)在民用領(lǐng)域的爆發(fā)，似乎也近在咫尺。

軟硬結(jié)合與數(shù)據(jù)驅(qū)動解決聲紋識別兩大痛點

上文提到聲紋作為生物識別的一些優(yōu)勢，但事實上，在實際應(yīng)用過程中，還有不少問題需要面對。聲紋作為一種生物特征，相比于指紋、虹膜等其他生物特征而言，在識別過程中更容易受到外界或者人自身身體狀況的影響，比如錄音環(huán)境噪音，在編者體驗微信聲紋鎖時，在馬路上或是在茶餐廳等帶噪音場景下，識別率就會大幅度降低。除噪音之外，聲音的時變性、錄音通道多樣性、語音時長等變量較大的因素。那么，針對這些影響聲紋數(shù)據(jù)的因素，目前對于提升系統(tǒng)魯棒性都有哪些解決辦法？

在錄音獲取的過程中，不同設(shè)備在聲源采樣率、聲學(xué)信號處理法、壓縮編碼算法等方面都可能存在一定程度的差異。古擘表示：“這些差異會導(dǎo)致來自不同設(shè)備的錄音數(shù)據(jù)存在不同程度上的失真和信息損失，其中就包括蘊藏在錄音數(shù)據(jù)里的聲紋信息的損失，尤其是在一些低信噪比的遠(yuǎn)場環(huán)境下，這種損失影響可能會被放大，進(jìn)而導(dǎo)致聲紋識別的準(zhǔn)確定波動比較大，這對聲紋識別模型的穩(wěn)定性和魯棒性提出了很高的要求?！?/p>

針對從獲取錄音的流程中所存在的影響，目前主要在算法和硬件兩方面著手進(jìn)行改進(jìn)。古擘補充道：“為了解決這些問題，我們通過數(shù)據(jù)增強或者信道補償?shù)乃惴ㄊ沟糜?xùn)練數(shù)據(jù)豐富多樣化，這樣模型在訓(xùn)練階段就能得到較好的穩(wěn)定性和魯棒性。同時，我們還可以針對各個場景下采集設(shè)備的特點，配合特定應(yīng)用場景提供更細(xì)化、更適配的算法模型。另外，聲智還提供軟硬一體的整體解決方案，比如給公安行業(yè)研發(fā)的聲紋采集終端，采用4麥克風(fēng)和6麥克風(fēng)的陣列，每臺設(shè)備出廠都會做麥克風(fēng)一致性的校準(zhǔn)，從硬件設(shè)計上減少語音采集的失真，再配合強大的麥克風(fēng)陣列算法，為后端的聲紋識別提供高質(zhì)量的信號采集。同時，聲智也在與第三方芯片和硬件合作伙伴緊密合作，不斷進(jìn)行用戶體驗的優(yōu)化?！?/p>

李稀敏也有著類似看法，他認(rèn)為當(dāng)前針對噪音環(huán)境，可以從聲紋傳感器方面著手，從聲紋的錄制環(huán)節(jié)解決噪音問題。部分廠商開發(fā)了指定區(qū)域和距離內(nèi)有效的聲紋傳感器，從而達(dá)到抑制噪音的目的。比如快商通的“智能聲紋傳感器及ASIC處理芯片協(xié)同開發(fā)與產(chǎn)業(yè)化”項目中，自研的聲紋傳感器就可以在指定區(qū)域和距離內(nèi)有效拾音。除了硬件方面的改進(jìn)，也會從語音增強算法方面部分解決復(fù)雜噪音環(huán)境的問題。

而針對個人聲音的時變性，李稀敏表示，目前主要從研究提取更能表征個人特征的聲紋信息著手，基于海量數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)模型挖掘穩(wěn)定性特征。對于錄音通道的多樣性，則更多地是使用數(shù)據(jù)驅(qū)動的方式，利用更大規(guī)模的數(shù)據(jù)庫來提取多種信道間的共性特征。與此同時，也有一些傳統(tǒng)的方式，包括常規(guī)的無監(jiān)督自適應(yīng)技術(shù)、DAT、PDLA等方法，但李稀敏認(rèn)為，未來趨勢還將會是數(shù)據(jù)驅(qū)動。

作為一種生物識別技術(shù)，聲紋識別除了識別率外，其安全性更加值得關(guān)注。比如聲音模仿、錄音重放都是此前對聲紋識別系統(tǒng)常見的攻擊手段，但隨著語音合成技術(shù)的不斷發(fā)展，也會極大影響聲紋識別系統(tǒng)的安全性。目前，最優(yōu)秀的語音合成技術(shù)可以使用非常少的數(shù)據(jù)訓(xùn)練出近似人類說話的聲音，技術(shù)上完全可能通過機(jī)器語音合成來攻擊聲紋識別系統(tǒng)。

對此，古擘表示：“對于各種可能的攻擊手段，聲智科技的做法是，對聲紋模型采用多種靈活的檢測策略，同時結(jié)合前端語音處理，語音端點檢測，語音合成檢測，語音轉(zhuǎn)錄檢測，說話人分離等多種技術(shù)手段，通過一系列的語音處理方法來保證聲紋識別的安全性?！?/p>

針對聲紋識別安全性的問題，李稀敏向記者介紹了快商通參加ASVspoof自動聲紋識別欺騙攻擊與防御對策挑戰(zhàn)賽的一些情況。ASVspoof挑戰(zhàn)賽的主要目標(biāo)是提高聲紋識別系統(tǒng)的防止欺騙攻擊的能力，特別是來自虛假錄音的攻擊。而2017年的挑戰(zhàn)主題是“重放攻擊”，例如同一段虛假錄音在與訓(xùn)練數(shù)據(jù)不同的重放環(huán)境、播放設(shè)備等條件下，考驗聲紋識別系統(tǒng)的鑒偽穩(wěn)定性，而在聲紋認(rèn)證的攻擊中，錄音重放是最難檢測的?？焐掏ㄔ谑紫茖W(xué)家李海洲院士的帶領(lǐng)下獲得了ASVspoof 2017的第一名，據(jù)介紹，除了算法和系統(tǒng)外，解決方案還需要數(shù)據(jù)驅(qū)動，大量的錄音樣本、設(shè)備測試、不同采樣率、不同時長、不同環(huán)境的訓(xùn)練。經(jīng)過長時間的積累，快商通的聲紋識別防欺騙攻擊已經(jīng)全面覆蓋到不同場景，因此安全方面也有所保證。

同時，在如今智能家居等使用場景下，經(jīng)常會遇到離線的使用環(huán)境，這對于較為依賴算力與數(shù)據(jù)庫的聲紋識別而言，是一個不小的挑戰(zhàn)。對于在線與離線識別的區(qū)別，古擘表示：“一般來說，在線識別與離線識別的區(qū)別就是看模型部署在云端還是本地，模型部署在云端的叫做在線識別，部署在本地的叫做離線識別，聲紋也是類似。在智能家居的家居設(shè)備控制場景下，受到終端設(shè)備的計算資源限制，通?？梢远ㄖ茝氖畮讉€到幾十個不等的離線命令詞，具備泛化能力則支持上百個離線命令詞。在移動端場景下，因為手機(jī)的計算資源和存儲較大，也能夠安裝接近通用識別的離線語音識別模型?！?/p>

“離線聲紋識別相比在線聲紋識別，一般說來相對較少的計算資源使得離線識別需要考慮參數(shù)，計算量，定點量化的等一系列的優(yōu)化，使得離線聲紋模型的性能會低于在線模型。其次離線聲紋識別的安全性也會低于在線聲紋識別，因為計算資源的限制，使得在有限的資源上難以集成包含前端信號處理，語音端點檢測，語音合成檢測，語音轉(zhuǎn)錄檢測，說話人分離等一種或多種處理方式?！惫烹⒀a充到。

因此，從市場需求來看，不同場景下對于聲紋識別的要求會有所差異，比如部分智能家居場景下的聲紋識別是區(qū)分不同的用戶，基于短命令的離線聲紋可以滿足這類要求。而據(jù)古擘透露，聲智科技已經(jīng)有成熟的離線聲紋識別技術(shù)，并且已經(jīng)成功應(yīng)用在智能電視、智能音箱等智能家居的產(chǎn)品上。

聲紋識別作為一項新興的生物特征識別技術(shù)，市場應(yīng)用還在開拓和培育當(dāng)中，其應(yīng)用場景非常廣泛，但是單個應(yīng)用場景尚未形成足夠大規(guī)模的市場。但可以看出，在算法、硬件的配合，以及數(shù)據(jù)積累的幫助下，目前聲紋識別技術(shù)的識別率和安全性已經(jīng)得到長足發(fā)展，這為其未來在更多領(lǐng)域中的廣泛應(yīng)用打下了夯實的基礎(chǔ)。雖然以市場需求驅(qū)動技術(shù)發(fā)展的層面看，無論從公安、金融，還是智能家居等領(lǐng)域，當(dāng)前都已經(jīng)到了聲紋識別技術(shù)全面爆發(fā)的臨界點。不過，要想實現(xiàn)真正的普及，聲紋識別廠商們除了在開拓應(yīng)用領(lǐng)域投入之外，還需要繼續(xù)注重底層技術(shù)的開發(fā)。相信在現(xiàn)有應(yīng)用落地的基礎(chǔ)上，包容和不斷優(yōu)化聲紋識別技術(shù)上的不足，將會持續(xù)推進(jìn)這項技術(shù)的發(fā)展，聲紋識別在未來或?qū)谖覀兩钪须S處可見。