雷鋒網(wǎng)AI科技評(píng)論編者按：在奧地利召開的機(jī)器語音國(guó)際頂會(huì) InterSpeech 2019 上，國(guó)際聲紋識(shí)別權(quán)威競(jìng)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(qiáng)隊(duì)獲得冠軍，再次展示了世界級(jí)人工智能算法實(shí)力。

不僅如此，依圖團(tuán)隊(duì)使用小數(shù)據(jù)就取得了優(yōu)于其他團(tuán)隊(duì)使用大數(shù)據(jù)得到的結(jié)果，充分表明中國(guó)聲紋識(shí)別技術(shù)已達(dá)世界領(lǐng)先水平。

依圖團(tuán)隊(duì)（logicworld）在全球權(quán)威聲紋識(shí)別競(jìng)賽 VoxSRC 2019奪冠，等錯(cuò)誤率（EER）0.0098，大幅領(lǐng)先第二名。

聲紋識(shí)別為什么難？

聲紋識(shí)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(shí)別是讓機(jī)器判斷「說了什么」，那聲紋識(shí)別就是判斷「是誰說的」，用于解決生物身份的確認(rèn)和識(shí)別。

2012 年以來，深度學(xué)習(xí)技術(shù)逐漸進(jìn)入聲紋識(shí)別主流，這種方法純粹采用數(shù)據(jù)驅(qū)動(dòng)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(jī)器自動(dòng)去發(fā)掘聲學(xué)特征中說話人的信息差異，從而「學(xué)會(huì)」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(shí)別，擁有大量聲紋數(shù)據(jù)樣本，就有了無可置疑的優(yōu)勢(shì)。

目前，聲紋識(shí)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(huì)議錄音的音頻轉(zhuǎn)錄，在結(jié)合了聲紋識(shí)別技術(shù)后，就能自動(dòng)標(biāo)注出誰在什么時(shí)候說了什么，輕松完成多人會(huì)議紀(jì)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(shí)別技術(shù)將逐漸融入日常生活，根據(jù)不同應(yīng)用場(chǎng)景的特點(diǎn)進(jìn)行針對(duì)性開發(fā)，將產(chǎn)生巨大的應(yīng)用價(jià)值。

VoxSRC：聲紋識(shí)別界的 ImageNet 競(jìng)賽

VoxSRC 是由英國(guó)牛津大學(xué)、韓國(guó)互聯(lián)網(wǎng)巨頭 Naver、斯坦福國(guó)際研究院（SRI International）和 MIT 的研究者聯(lián)合發(fā)起的全球聲紋識(shí)別競(jìng)賽，可以說是「聲紋識(shí)別界的 ImageNet 競(jìng)賽」。在很大程度上，VoxSRC 結(jié)果反映了全球聲紋識(shí)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(tuán)隊(duì)于 2017 年發(fā)布，后來逐漸擴(kuò)充，現(xiàn)在是聲紋識(shí)別領(lǐng)域規(guī)模最大、標(biāo)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(gè)不同種族、性別、口音、職業(yè)和年齡的說話人，在不同場(chǎng)合下超過 100 萬段的說話聲（utterance），時(shí)長(zhǎng)加起來總共超過 2000 小時(shí)（每段音頻的長(zhǎng)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?yàn)算法的實(shí)戰(zhàn)水平。

牛津大學(xué)發(fā)布并維護(hù)的VoxCeleb數(shù)據(jù)集是目前全球規(guī)模最大、標(biāo)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(chǎng)景，非?？简?yàn)算法的實(shí)戰(zhàn)水平。 

此外，VoxSRC 的測(cè)試數(shù)據(jù)集是「盲的」（blind），即沒有任何標(biāo)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(zhǔn)確（不會(huì)出現(xiàn)有團(tuán)隊(duì)過擬合數(shù)據(jù)的情況）。

今年的 VoxSRC 吸引了海內(nèi)外多支隊(duì)伍參與，有約翰霍普金斯大學(xué)、法國(guó)國(guó)家信息與自動(dòng)化研究所、清華大學(xué)、中山大學(xué)等知名高校和研究機(jī)構(gòu)，也有平安科技、NEC、君林科技等大企業(yè)。

競(jìng)賽的任務(wù)很明確，就是判斷兩段音頻是出自同一個(gè)人，還是來自兩個(gè)不同的人。算法的輸出結(jié)果用等錯(cuò)誤率（Equal Error Rate，EER）來衡量。

EER 是衡量聲紋識(shí)別算法系統(tǒng)綜合性能的重要指標(biāo)，EER 值越小，系統(tǒng)的性能就越好（雷鋒網(wǎng)）。

什么是EER、FAR、FRR？

評(píng)估算法系統(tǒng)性能時(shí)常輸出ROC 曲線，用于描述FAR（誤識(shí)率）與FRR（拒識(shí)率）之間的關(guān)系。 

簡(jiǎn)單說，在聲紋識(shí)別中，誤識(shí)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(shí)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(duì)安全要求非常高的應(yīng)用場(chǎng)景，就會(huì)把FAR值設(shè)置得低一些，因?yàn)榕袛噱e(cuò)一次的代價(jià)很大，但這樣做的同時(shí)會(huì)導(dǎo)致FRR值上升，用戶體驗(yàn)度下降。

等錯(cuò)誤率（EER）是系統(tǒng)的誤識(shí)率（FAR）和拒識(shí)率（FRR）相等時(shí)的錯(cuò)誤率，即ROC曲線與45度角直線相交的點(diǎn)，是衡量聲紋識(shí)別算法系統(tǒng)綜合性能的重要指標(biāo)。EER數(shù)值越小，系統(tǒng)性能越好。

為了評(píng)估數(shù)據(jù)量（訓(xùn)練樣本多少）對(duì)系統(tǒng)性能的影響，這次 VoxSRC 競(jìng)賽給定了兩種情況，一是固定數(shù)據(jù)集，另一個(gè)是無約束數(shù)據(jù)集。

• 固定數(shù)據(jù)集任務(wù)，參賽隊(duì)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(gè)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(duì)伍在訓(xùn)練模型時(shí)，可以使用除競(jìng)賽測(cè)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(tuán)隊(duì)以 0.0098 的 EER 值獲得本屆競(jìng)賽冠軍，也是唯一將 EER 值降低到 0.01 以內(nèi)的團(tuán)隊(duì)。 

特別值得一提的是，這個(gè)結(jié)果比其他團(tuán)隊(duì)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）。

中國(guó)最好的就是全球最好的

依圖已經(jīng)不是第一次在國(guó)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(shí)別、智能決策等多算法領(lǐng)域發(fā)展，并且都獨(dú)占鰲頭。這次在全球聲紋識(shí)別權(quán)威競(jìng)賽 VoxSRC 中奪冠，是對(duì)中國(guó)自有 AI 技術(shù)能夠引領(lǐng)世界的又一個(gè)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(jìn)芯片設(shè)計(jì)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(tái)機(jī)柜的方案壓縮到 1 臺(tái)，降低數(shù)據(jù)中心整體建設(shè)成本 50%，運(yùn)維成本 80%，讓 10 萬路智能視頻解析系統(tǒng)成標(biāo)配，50 萬路成現(xiàn)實(shí)，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(jiān)實(shí)的基礎(chǔ)。

8 月 29 日，依圖獲得科技部正式授牌，承建視覺計(jì)算國(guó)家新一代人工智能開放創(chuàng)新平臺(tái)，促進(jìn)芯片設(shè)計(jì)與人工智能的融合，同時(shí)針對(duì)不同業(yè)務(wù)場(chǎng)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(chǎng)景深度結(jié)合，推動(dòng)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。