0
雷鋒網(wǎng)AI科技評論編者按：在奧地利召開的機器語音國際頂會 InterSpeech 2019 上，國際聲紋識別權(quán)威競賽 VoxCeleb Speaker Recognition Challenge（VoxSRC）公布最新結(jié)果，依圖科技大幅領(lǐng)先海內(nèi)外多支強隊獲得冠軍，再次展示了世界級人工智能算法實力。
不僅如此，依圖團隊使用小數(shù)據(jù)就取得了優(yōu)于其他團隊使用大數(shù)據(jù)得到的結(jié)果，充分表明中國聲紋識別技術(shù)已達世界領(lǐng)先水平。
依圖團隊（logicworld）在全球權(quán)威聲紋識別競賽 VoxSRC 2019奪冠，等錯誤率（EER）0.0098，大幅領(lǐng)先第二名。
聲紋識別是一種通過聲音判別說話人身份的技術(shù)。如果說語音識別是讓機器判斷「說了什么」，那聲紋識別就是判斷「是誰說的」，用于解決生物身份的確認和識別。
2012 年以來，深度學(xué)習(xí)技術(shù)逐漸進入聲紋識別主流，這種方法純粹采用數(shù)據(jù)驅(qū)動的方式，通過海量數(shù)據(jù)樣本和深度神經(jīng)網(wǎng)絡(luò)模型，讓機器自動去發(fā)掘聲學(xué)特征中說話人的信息差異，從而「學(xué)會」聲學(xué)特征中的說話人信息表示。
很顯然，使用基于端到端深度學(xué)習(xí)的方法做聲紋識別，擁有大量聲紋數(shù)據(jù)樣本，就有了無可置疑的優(yōu)勢。
目前，聲紋識別應(yīng)用還處于探索階段，但其應(yīng)用前景十分廣闊。最容易想到的，比如會議錄音的音頻轉(zhuǎn)錄，在結(jié)合了聲紋識別技術(shù)后，就能自動標注出誰在什么時候說了什么，輕松完成多人會議紀錄，大幅提高工作效率。
隨著技術(shù)的不斷成熟和融合，聲紋識別技術(shù)將逐漸融入日常生活，根據(jù)不同應(yīng)用場景的特點進行針對性開發(fā)，將產(chǎn)生巨大的應(yīng)用價值。
VoxSRC 是由英國牛津大學(xué)、韓國互聯(lián)網(wǎng)巨頭 Naver、斯坦福國際研究院（SRI International）和 MIT 的研究者聯(lián)合發(fā)起的全球聲紋識別競賽，可以說是「聲紋識別界的 ImageNet 競賽」。在很大程度上，VoxSRC 結(jié)果反映了全球聲紋識別技術(shù)最高水平。
VoxSRC 基于開源數(shù)據(jù)集 VoxCeleb，由牛津大學(xué)團隊于 2017 年發(fā)布，后來逐漸擴充，現(xiàn)在是聲紋識別領(lǐng)域規(guī)模最大、標注最完備的開源數(shù)據(jù)集之一。
VoxCeleb 來自 YouTube 名人采訪視頻，包含了 7000 多個不同種族、性別、口音、職業(yè)和年齡的說話人，在不同場合下超過 100 萬段的說話聲（utterance），時長加起來總共超過 2000 小時（每段音頻的長度從 3 秒到 20 秒不等）。
除了數(shù)據(jù)量大且來源多樣化，VoxCeleb 的音視頻基本都含有背景噪音、笑聲、重疊的說話聲和其他雜音，非?？简炈惴ǖ膶崙?zhàn)水平。
牛津大學(xué)發(fā)布并維護的VoxCeleb數(shù)據(jù)集是目前全球規(guī)模最大、標注最完備的開源聲紋數(shù)據(jù)集之一，數(shù)據(jù)來源多樣且都來自無約束場景，非?？简炈惴ǖ膶崙?zhàn)水平。
此外，VoxSRC 的測試數(shù)據(jù)集是「盲的」（blind），即沒有任何標注。這些數(shù)據(jù)無法用來訓(xùn)練或調(diào)整系統(tǒng)，確保了比賽結(jié)果的公正與準確（不會出現(xiàn)有團隊過擬合數(shù)據(jù)的情況）。
今年的 VoxSRC 吸引了海內(nèi)外多支隊伍參與，有約翰霍普金斯大學(xué)、法國國家信息與自動化研究所、清華大學(xué)、中山大學(xué)等知名高校和研究機構(gòu)，也有平安科技、NEC、君林科技等大企業(yè)。
競賽的任務(wù)很明確，就是判斷兩段音頻是出自同一個人，還是來自兩個不同的人。算法的輸出結(jié)果用等錯誤率（Equal Error Rate，EER）來衡量。
EER 是衡量聲紋識別算法系統(tǒng)綜合性能的重要指標，EER 值越小，系統(tǒng)的性能就越好（雷鋒網(wǎng)）。
什么是EER、FAR、FRR？
評估算法系統(tǒng)性能時常輸出ROC 曲線，用于描述FAR（誤識率）與FRR（拒識率）之間的關(guān)系。
簡單說，在聲紋識別中，誤識率就是“把不應(yīng)該匹配的聲紋當(dāng)成匹配聲紋”的比例，拒識率則是“把應(yīng)該匹配的聲紋當(dāng)成不匹配聲紋”的比例。
在對安全要求非常高的應(yīng)用場景，就會把FAR值設(shè)置得低一些，因為判斷錯一次的代價很大，但這樣做的同時會導(dǎo)致FRR值上升，用戶體驗度下降。
等錯誤率（EER）是系統(tǒng)的誤識率（FAR）和拒識率（FRR）相等時的錯誤率，即ROC曲線與45度角直線相交的點，是衡量聲紋識別算法系統(tǒng)綜合性能的重要指標。EER數(shù)值越小，系統(tǒng)性能越好。
為了評估數(shù)據(jù)量（訓(xùn)練樣本多少）對系統(tǒng)性能的影響，這次 VoxSRC 競賽給定了兩種情況，一是固定數(shù)據(jù)集，另一個是無約束數(shù)據(jù)集。
固定數(shù)據(jù)集任務(wù)，參賽隊伍使用的訓(xùn)練數(shù)據(jù)集是固定的，也即 VoxCeleb2，該數(shù)據(jù)集包含了來自 5994 個不同說話人超過 100 萬段的說話聲音頻。
無約束數(shù)據(jù)集任務(wù)，參賽隊伍在訓(xùn)練模型時，可以使用除競賽測試集以外的其他任何數(shù)據(jù)，包括未公開發(fā)布的數(shù)據(jù)。
依圖團隊以 0.0098 的 EER 值獲得本屆競賽冠軍，也是唯一將 EER 值降低到 0.01 以內(nèi)的團隊。
特別值得一提的是，這個結(jié)果比其他團隊無約束數(shù)據(jù)集任務(wù)的結(jié)果更好（無約束數(shù)據(jù)集任務(wù)的冠軍 EER 值為 0.0126）。
依圖已經(jīng)不是第一次在國際人工智能公開比賽中獲得第一。
成立 7 年來，依圖在視覺感知、自然語言處理、語音識別、智能決策等多算法領(lǐng)域發(fā)展，并且都獨占鰲頭。這次在全球聲紋識別權(quán)威競賽 VoxSRC 中奪冠，是對中國自有 AI 技術(shù)能夠引領(lǐng)世界的又一個絕佳證明。
今年 5 月，依圖發(fā)布自研云端 AI 芯片求索（questcore?），旨在提升智能密度，結(jié)合世界領(lǐng)先人工智能算法和先進芯片設(shè)計理念，同等功耗下的視覺推理性能是 NVIDIA GPU 的 5 倍。
基于求索構(gòu)建的智能視頻分析系統(tǒng)，將原本需要 16 臺機柜的方案壓縮到 1 臺，降低數(shù)據(jù)中心整體建設(shè)成本 50%，運維成本 80%，讓 10 萬路智能視頻解析系統(tǒng)成標配，50 萬路成現(xiàn)實，大幅提升基礎(chǔ)設(shè)施智能水平，為人工智能應(yīng)用落地和普及奠定了堅實的基礎(chǔ)。
8 月 29 日，依圖獲得科技部正式授牌，承建視覺計算國家新一代人工智能開放創(chuàng)新平臺，促進芯片設(shè)計與人工智能的融合，同時針對不同業(yè)務(wù)場景打造一系列定制化芯片，支持智能城市、智慧醫(yī)療和智慧金融等行業(yè)。
未來，依圖將在多算法領(lǐng)域持續(xù)投入，多模態(tài)技術(shù)融合，軟硬件協(xié)同開發(fā)，將世界優(yōu)勝人工智能算法與行業(yè)場景深度結(jié)合，推動人工智能應(yīng)用落地。（雷鋒網(wǎng)）
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。
