聲紋識別 聽聲辨人

北京大學(xué)信息科學(xué)中心視覺與聽覺信息處理國家重點實驗室 吳璽宏

2001/08/23

　　近年來，在生物識別技術(shù)領(lǐng)域中，聲紋識別技術(shù)以其獨特的方便性、經(jīng)濟(jì)性和準(zhǔn)確性等優(yōu)勢受到世人矚目，并日益成為人們?nèi)粘Ｉ詈凸ぷ髦兄匾移占暗陌踩炞C方式。

　　聲紋識別屬于生物識別技術(shù)的一種，是一項根據(jù)語音波形中反映說話人生理和行為特征的語音參數(shù)，自動識別說話人身份的技術(shù)。與語音識別不同的是，聲紋識別利用的是語音信號中的說話人信息，而不考慮語音中的字詞意思，它強調(diào)說話人的個性;而語音識別的目的是識別出語音信號中的言語內(nèi)容，并不考慮說話人是誰，它強調(diào)共性。

歷史與現(xiàn)狀

　　對聲紋識別的研究始于20世紀(jì)30年代。早期的工作主要集中在人耳聽辨實驗和探討聽音識別的可能性方面。隨著研究手段和工具的改進(jìn)，研究工作逐漸脫離了單純的人耳聽辨。Bell實驗室的L.G. Kesta目視觀察語譜圖進(jìn)行識別，提出了“聲紋(voiceprint)”的概念。之后，電子技術(shù)和計算機技術(shù)的發(fā)展，使通過機器自動識別人的聲音成為可能。Bell實驗室的S. Pruzansky提出了基于模式匹配和概率統(tǒng)計方差分析的聲紋識別方法，而引起信號處理領(lǐng)域許多學(xué)者的注意，形成了聲紋識別研究的一個高潮，其間的工作主要集中在各種識別參數(shù)的提取、選擇和實驗上，并將倒譜和線性預(yù)測分析等方法應(yīng)用于聲紋識別。

　　70年代末至今，聲紋識別的研究重點轉(zhuǎn)向?qū)Ω鞣N聲學(xué)參數(shù)的線性或非線性處理以及新的模式匹配方法上，如動態(tài)時間規(guī)整、主成分分析、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)和多特征組合等技術(shù)。如今，聲紋識別技術(shù)已逐漸走入實際應(yīng)用，AT&T應(yīng)用聲紋識別技術(shù)研制出了智慧卡(smart card)，已應(yīng)用于自動提款機。歐洲電信聯(lián)盟在電信與金融結(jié)合領(lǐng)域應(yīng)用聲紋識別技術(shù)，于1998年完成了CAVE (Caller Verification in Banking and Telecommunication) 計劃，并于同年又啟動了PICASSO(Pioneering Call Authentication for Secure Service Operation) 計劃，在電信網(wǎng)上完成了聲紋識別。同時，Motorola和Visa等公司成立了V-commerce聯(lián)盟，希望實現(xiàn)電子交易的自助化，其中通過聲音確定人的身份是此項目的重要組成部分。其他的一些商用系統(tǒng)還包括：ITT公司的SpeakerKey、Keyware公司的VoiceGuardian、T-NETIX公司的SpeakEZ等。

　　國內(nèi)開展聲紋識別研究比較早的機構(gòu)有北京大學(xué)、中科院聲學(xué)所、中科院自動化所、清華大學(xué)等，并先后得到了國家自然科學(xué)基金重大和重點項目、攀登計劃等基金的支持，取得了豐碩的研究成果。

說話人識別系統(tǒng)的典型結(jié)構(gòu)圖

物理基礎(chǔ)

　　語音是由發(fā)聲器官運動產(chǎn)生的。發(fā)聲器官包括喉、聲道和嘴。氣流通過喉中的聲門，引起聲帶的周期性振動，形成周期性的脈沖串并進(jìn)入聲道，周期性脈沖的周期稱為基音周期。氣流從喉向上經(jīng)過口腔或鼻腔后從嘴或鼻孔向外輻射，其間的傳輸通道稱為聲道。聲道是具有某種諧振特性的腔體，當(dāng)氣流通過時，輸出的氣流頻率特性，即聲門脈沖串的特性，取決于聲道的特性。嘴的作用是完成氣流的向外輻射，嘴張開時的形狀對語音頻譜有影響，但較聲道次之。

　　發(fā)聲的器官和過程確定了語音中特定說話人信息的形式，其中聲道的形狀是最重要的生理因素。另外，發(fā)聲的習(xí)慣，包括發(fā)聲速度、韻律和口音構(gòu)成了語音中特定說話人信息的后天行為因素。語音中的特定說話人信息構(gòu)成了聲紋識別的物理基礎(chǔ)。

技術(shù)原理

　　基于不同的應(yīng)用環(huán)境，聲紋識別分為說話人辨識和說話人確認(rèn)。說話人辨識是指識別說話人是否已經(jīng)注冊，是哪一個注冊人；說話人確認(rèn)是指識別說話人的身份與其聲明的是否一致。

　　用戶在使用聲紋識別系統(tǒng)時，需要向系統(tǒng)提供一段語音，根據(jù)發(fā)音材料，可分為文本有關(guān)(text-dependent)和文本無關(guān)(text-independent)兩種。與文本有關(guān)的識別系統(tǒng)要求用戶按照規(guī)定的內(nèi)容發(fā)音，并根據(jù)特定的發(fā)音內(nèi)容建立精確的模型，從而達(dá)到較好的識別效果，但系統(tǒng)需要用戶配合，如果用戶的發(fā)音與規(guī)定的內(nèi)容不符合，則無法正確識別該用戶。而與文本無關(guān)的識別系統(tǒng)則不規(guī)定說話人的發(fā)音內(nèi)容，因而要建立精確的模型較為困難，識別效果較差。另外，與其他生物識別技術(shù)類似，若考慮待識別的說話人是否在注冊的說話人集合內(nèi)，則說話人辨識分為開集(open-set)辨識和閉集(close-set)辨識，顯而易見，閉集辨識的結(jié)果要好于開集辨識，但開集辨識與實際情況更為一致。

　　無論是與文本有關(guān)還是無關(guān)，系統(tǒng)都面臨一個共同的問題，即無法區(qū)分一個發(fā)音是現(xiàn)場發(fā)音還是錄音回放。但文本提示的說話人識別系統(tǒng)可以有效地防止這種情況發(fā)生。具體實現(xiàn)時，可采用隨機或其他方法來生成提示文本，如隨機的數(shù)字串，以使假冒者無法事先錄音。

　　文本有關(guān)聲紋識別系統(tǒng)的一種典型結(jié)構(gòu)如圖所示，它包括訓(xùn)練和識別兩個階段。訓(xùn)練時，每個說話人重復(fù)一定次數(shù)的發(fā)音，然后檢測并分析每次發(fā)聲的語音段，以提取特征，并利用動態(tài)時間規(guī)整技術(shù)，在時間上對齊特征序列且多次平均，形成每個說話人的參考模板。識別時，對語音信號進(jìn)行特征分析，然后計算與參考模板的距離，選取其中的最小值作為結(jié)果輸出。說話人確認(rèn)系統(tǒng)則是計算待識特征與聲明說話人模板的距離，并與設(shè)定的閾值比較，若高于閾值則拒絕判決，低于閾值則接受判決。

　　聲紋識別系統(tǒng)主要包括兩部分，即特征檢測和模式匹配。特征檢測的任務(wù)是選取唯一表現(xiàn)說話人身份的有效且穩(wěn)定可靠的特征，模式匹配的任務(wù)是對訓(xùn)練和識別時的特征模式做相似性匹配。

1．特征提取

　　聲紋識別系統(tǒng)中的特征檢測即提取語音信號中表征人的基本特征，此特征應(yīng)能有效地區(qū)分不同的說話人，且對同一說話人的變化保持相對穩(wěn)定�？紤]到特征的可量化性、訓(xùn)練樣本的數(shù)量和系統(tǒng)性能的評價問題，目前的聲紋識別系統(tǒng)主要依靠較低層次的聲學(xué)特征進(jìn)行識別。說話人特征大體可歸為下述幾類：

　　譜包絡(luò)參數(shù)語音信息通過濾波器組輸出，以合適的速率對濾波器輸出抽樣，并將它們作為聲紋識別特征。

　　基音輪廓、共振峰頻率帶寬及其軌跡 這類特征是基于發(fā)聲器官如聲門、聲道和鼻腔的生理結(jié)構(gòu)而提取的參數(shù)。

　　線性預(yù)測系數(shù)使用線性預(yù)測系數(shù)是語音信號處理中的一次飛躍，以線性預(yù)測導(dǎo)出的各種參數(shù)，如線性預(yù)測系數(shù)、自相關(guān)系數(shù)、反射系數(shù)、對數(shù)面積比、線性預(yù)測殘差及其組合等參數(shù)，作為識別特征，可以得到較好的效果。主要原因是線性預(yù)測與聲道參數(shù)模型是相符合的。

　　反映聽覺特性的參數(shù)模擬人耳對聲音頻率感知的特性而提出了多種參數(shù)，如美倒譜系數(shù)、感知線性預(yù)測等。

　　此外，人們還通過對不同特征參量的組合來提高實際系統(tǒng)的性能，當(dāng)各組合參量間相關(guān)性不大時，會有較好的效果，因為它們分別反映了語音信號的不同特征。

2．模式匹配

　　目前針對各種特征而提出的模式匹配方法的研究越來越深入。這些方法大體可歸為下述幾類：

• 概率統(tǒng)計方法
  
  語音中說話人信息在短時內(nèi)較為平穩(wěn)，通過對穩(wěn)態(tài)特征如基音、聲門增益、低階反射系數(shù)的統(tǒng)計分析，可以利用均值、方差等統(tǒng)計量和概率密度函數(shù)進(jìn)行分類判決。其優(yōu)點是不用對特征參量在時域上進(jìn)行規(guī)整，比較適合文本無關(guān)的說話人識別。

• 動態(tài)時間規(guī)整方法
  
  說話人信息不僅有穩(wěn)定因素（發(fā)聲器官的結(jié)構(gòu)和發(fā)聲習(xí)慣），而且有時變因素（語速、語調(diào)、重音和韻律）。將識別模板與參考模板進(jìn)行時間對比，按照某種距離測定得出兩模板間的相似程度。常用的方法是基于最近鄰原則的動態(tài)時間規(guī)整DTW。

• 矢量量化方法
  
  矢量量化最早是基于聚類分析的數(shù)據(jù)壓縮編碼技術(shù)。Helms首次將其用于聲紋識別，把每個人的特定文本編成碼本，識別時將測試文本按此碼本進(jìn)行編碼，以量化產(chǎn)生的失真度作為判決標(biāo)準(zhǔn)。Bell實驗室的Rosenberg和Soong用VQ進(jìn)行了孤立數(shù)字文本的聲紋識別研究。這種方法的識別精度較高，且判斷速度快。

• 隱馬爾可夫模型方法
  
  隱馬爾可夫模型是一種基于轉(zhuǎn)移概率和傳輸概率的隨機模型，最早在CMU和IBM被用于語音識別。它把語音看成由可觀察到的符號序列組成的隨機過程，符號序列則是發(fā)聲系統(tǒng)狀態(tài)序列的輸出。在使用HMM識別時，為每個說話人建立發(fā)聲模型，通過訓(xùn)練得到狀態(tài)轉(zhuǎn)移概率矩陣和符號輸出概率矩陣。識別時計算未知語音在狀態(tài)轉(zhuǎn)移過程中的最大概率，根據(jù)最大概率對應(yīng)的模型進(jìn)行判決。HMM不需要時間規(guī)整，可節(jié)約判決時的計算時間和存儲量，在目前被廣泛應(yīng)用。缺點是訓(xùn)練時計算量較大。

• 人工神經(jīng)網(wǎng)絡(luò)方法
  
  人工神經(jīng)網(wǎng)絡(luò)在某種程度上模擬了生物的感知特性，它是一種分布式并行處理結(jié)構(gòu)的網(wǎng)絡(luò)模型，具有自組織和自學(xué)習(xí)能力、很強的復(fù)雜分類邊界區(qū)分能力以及對不完全信息的魯棒性，其性能近似理想的分類器。其缺點是訓(xùn)練時間長，動態(tài)時間規(guī)整能力弱，網(wǎng)絡(luò)規(guī)模隨說話人數(shù)目增加時可能大到難以訓(xùn)練的程度。

　　把以上分類方法與不同特征進(jìn)行有機組合可顯著提高聲紋識別的性能，如NTT實驗室的T. Matsui和S. Furui使用倒譜、差分倒譜、基音和差分基音，采用VQ與HMM混和的方法得到99.3%的說話人確認(rèn)率。

　　對于說話人確認(rèn)系統(tǒng)，表征其性能的最重要的兩個參量是錯誤拒絕率和錯誤接受率。前者是拒絕真實的說話人而造成的錯誤，后者是接受假冒者而造成的錯誤，二者與閾值的設(shè)定相關(guān)。說話人確認(rèn)系統(tǒng)的錯誤率與用戶數(shù)目無關(guān)，而說話人辨認(rèn)系統(tǒng)的性能與用戶數(shù)目有關(guān)，并隨著用戶數(shù)目的增加，系統(tǒng)的性能會不斷下降。

　　總的說來，一個成功的說話人識別系統(tǒng)應(yīng)該做到以下幾點：

• 能夠有效地區(qū)分不同的說話人，但又能在同一說話人語音發(fā)生變化時保持相對的穩(wěn)定，如感冒等情況。
• 不易被他人模仿或能夠較好地解決被他人模仿問題。
• 在聲學(xué)環(huán)境變化時能夠保持一定的穩(wěn)定性，即抗噪聲性能要好

聲紋識別應(yīng)用前景

　　與其他生物識別技術(shù)，諸如指紋識別、掌形識別、虹膜識別等相比較，聲紋識別除具有不會遺失和忘記、不需記憶、使用方便等優(yōu)點外，還具有以下特性：

• 用戶接受程度高，由于不涉及隱私問題，用戶無任何心理障礙。
• 利用語音進(jìn)行身份識別可能是最自然和最經(jīng)濟(jì)的方法之一。聲音輸入設(shè)備造價低廉，甚至無費用（電話），而其他生物識別技術(shù)的輸入設(shè)備往往造價昂貴。
• 在基于電信網(wǎng)絡(luò)的身份識別應(yīng)用中，如電話銀行、電話炒股、電子購物等，與其他生物識別技術(shù)相比，聲紋識別更為擅長，得天獨厚。

　　由于與其他生物識別技術(shù)相比，聲紋識別具有更為簡便、準(zhǔn)確、經(jīng)濟(jì)及可擴展性良好等眾多優(yōu)勢，可廣泛應(yīng)用于安全驗證、控制等各方面，特別是基于電信網(wǎng)絡(luò)的身份識別。

　　比爾·蓋茨認(rèn)為：“以人類生物特征（指紋、語音、臉像等）進(jìn)行身份驗證的生物識別技術(shù)，在今后數(shù)年內(nèi)將成為IT產(chǎn)業(yè)最為重要的技術(shù)革命。”

　　在世界范圍內(nèi)，聲紋識別技術(shù)正廣泛應(yīng)用于諸多領(lǐng)域。截止到去年初，聲紋識別產(chǎn)品的市場占有率為15.8%，僅次于指紋識別和掌形識別。目前，我國市場尚屬啟動階段，其發(fā)展空間更為廣闊，在金融、證券、社保、公安、軍隊及其他民用安全認(rèn)證等行業(yè)和部門有著廣泛的需求。

1．用于銀行、證券系統(tǒng)

　　隨著電話銀行、遠(yuǎn)程炒股等業(yè)務(wù)的不斷增加，這些業(yè)務(wù)對用戶所做的身份認(rèn)證只是采用密碼方式，其安全性令人擔(dān)憂。如果采用說話人確認(rèn)技術(shù)并結(jié)合原來的密碼，可安全有效地實現(xiàn)用戶身份的確認(rèn)，這對用戶來說并沒有增加任何負(fù)擔(dān)。

2．為網(wǎng)絡(luò)安全出力

　　現(xiàn)在人們越來越多地依賴于口令和密碼，隨著不同場合的頻繁應(yīng)用其缺陷越發(fā)明顯。在聲紋識別過程中，每次發(fā)音都由隨機產(chǎn)生的提示文本來控制，可有效地防止復(fù)制和剽竊，可以說，聲紋識別技術(shù)與其他生物識別技術(shù)相比有著明顯的優(yōu)勢，可以為日益發(fā)展的電子購物、電子商務(wù)、國際貿(mào)易保駕護(hù)航，且操作方便、簡潔，很容易為廣大計算機使用者接受。

3．為破案立功

　　對于各種電話勒索、綁架、電話人身攻擊等案件，聲紋識別技術(shù)可以在一段錄音中查找出嫌疑人，幫助對嫌疑人的查證。在美國，有關(guān)機構(gòu)還利用這一技術(shù)來判斷監(jiān)外執(zhí)行人員是否在其寓所中。

4．在軍隊安全系統(tǒng)中的應(yīng)用

　　聲紋識別技術(shù)可以辨認(rèn)出電話交談過程中是否有關(guān)鍵說話人出現(xiàn)，繼而對交談的內(nèi)容進(jìn)行處理。另外，在通過電話發(fā)出軍事指令時，可以對發(fā)出命令的人的身份進(jìn)行確認(rèn)。

《計算機世界》2001/08/23