声纹究竟靠谱不靠谱？声音的三个维度

weixin

　　指纹、虹膜、人脸识别，越来越多的生物识别技术开始在消费市场中被应用。同时，一些我们乍看之下较为晦涩陌生的概念也进入了大众的视野，比如“声纹”、“耳纹”等概念。

　　今天我们就来讲讲声纹(Voiceprint)这个有趣的家伙。

　　首先，抛出一个自测提问：你用过声纹登陆自己的微信吗?

　　其实，微信声音锁的登陆功能2年前就有了。在安静的环境录制一段声音，后续该手机登陆微信时通过说话即可验证登陆。操作看似简单，然而大家却并没有非常踊跃地使用。而这似乎还是源自人们对这一声纹验证的安全性存有疑虑。

　　究竟，这个看不见摸不着的声纹有啥讲究的呢?接下来就用大白话简单唠一唠。

　　其实，就像指纹一样，我们每个人的声音也都有“纹路”上的差别。为了方便讲解，按照声音信息的长短分成了以下三个维度去讨论：音节、语音句子和语音段落。

　　01、音节维度
　　在我们说话的过程中，语音信号会随发音的不同而不停变化。为了想要研究声纹中不变的特征，我们就不得不把声音信号截取得尽可能短一些。一般情况，20-30毫秒长度的语音信号就可被假定为一个稳定的信号来看待。

　　然后，通过研究这个短时间信号的频谱及频谱包络，我们就可以提取到关于很多的声纹特征。

　　说到这里，我们就得稍微了解一下人是怎么发出声音的。

　　实际上，咱们之所以能发声要归功于我们的“呼吸”作用。

　　空气从肺部经过气管来到喉部，在声带(Vocal Folds)处产生振动，从而产生声波，并最终经过咽部、口腔传出。

　　在此过程中，我们的声带起到了至关重要的作用。如上两幅喉咙俯视图所示，声带既可以作为阀门控制通气与否，又可以作为振源振动产生声音。

　　而具体到每个人身上，发声的差异则是由声带的形状、声道的长度和尺寸、口腔的空间、牙齿舌头的位置等等因素导致。

　　本质上看，我们每个人的说话声都是复杂声波，是由一系列不同频率的声波叠加而成的。为了方便理解，我们可以把它当作是一个基频加上各种谐波的组合。而在声纹的识别过程中，最关键的往往就是识别出每个人自带的基频F0。

　　02、句子维度
　　前面我们研究了20-30毫秒的声音，那么如果把长度延长一些会怎么样呢?

　　当语音信息达到了句子的长度时，声音在韵律上的不同就凸显了出来：对于同一句话的表达，每个人会都有自己的声调、重音、停顿、语速等不同的呈现。

　　通过对调制频率的研究，这一部分的声纹特性也可以被刻画出来。但需要注意的是，针对这部分的特性信息比之前音节的会更难被采集提取，所以将需要更多的数据支撑。

　　不仅如此，它对于文本本身及语言种类的依赖性也更强。

　　03、段落维度
　　研究完韵律，我们再把研究范围扩大一些，变到语音段的大层面。

　　这时候，各地口音、同一个意思不同的选词构句、某些词的特定发音，甚至是通过哪种设备进行的语音表述，都会变成重点研究对象。比如，你用手机录音和自己直接的说话声其实就有差异。

　　这些特征和声音主人天生的物理特征关系不大，主要跟人的生活环境、受教育程度、个人性格特点、家庭环境有关。虽然关于它们的分析，需要比刚才更多的数据，但这种因素鲁棒性其实最高。因为它最不容易受到环境噪声和通道的影响。

　　最后，为了帮助大家记忆，小编贴心地制作了下图。

　　好啦，关于声纹特性的介绍就到这里。我们说说关于声纹安全性的考量。

　　我们不妨拿微信的声纹登陆作为例子来看，其实只要在旁边播放说话者之前的电话录音，任何人都可以轻松登陆该人的微信账号。

　　随着声纹识别的精细化，机器模仿人声的技术也在一起进步。类似柯南的蝴蝶结变声器的产品一定会在未来层出不穷，并且能把不同人声音的各种细节都模仿得惟妙惟肖。

　　也正是因此，声纹验证的未来更多的会是，搭载在其它生物识别技术上作为一个辅助身份验证，或在娱乐化产业(比如智能机器人听主人命令)中发挥身份识别的作用。

　　来源：会听声学公众号(ID：huitingshengxue)授权转载