0
“老婆，開門?！?/p>
如果隔壁老王不懷好意，刻意練習(xí)你的口音，相信你能感受到“京中有善口技者。會賓客大宴,于廳事之東北角施八尺屏障,口技人坐屏障中,一桌、一椅、一扇、一撫尺而已”的同等效果。
▲隔壁王叔叔
不過，如果你家安裝的是擁有聲紋識別的智能門鎖，就算隔壁老王將你的聲音模仿到出神入化，這扇門也是開不了的。
雖然，雷鋒網(wǎng)編輯早就聽說過聲紋識別技術(shù)可以應(yīng)用于智能門鎖，但是不親見，還真不能感受到它的威力。
幾天前，雷鋒網(wǎng)在清華大學(xué)的一棟大樓內(nèi)，參加人工智能與信息安全論壇暨得意音通信息技術(shù)研究院成立大會時，演講聽到一半，得意音通董事長鄭方突然讓工作人員把一張門和相關(guān)設(shè)備搬上了演講臺。
這是要搞事?。?/p>
然后，兩個漂亮的小姐姐走上臺，一個扮演主人，一個扮演盜竊者。
主人在手機 App 中錄入了自己的聲音與門進行綁定后，開始了第一個回合：
小姐姐主人逛街回到家，打開 App，按照彈出來的數(shù)字密碼（實際生活中是隨機密碼，在演示過程中密碼簡化成了 12345678），直接念了密碼，順利開門了。
第二回合：手機丟了，被“小偷”撿到了。盜竊者用自己的聲音念密碼，嗯，門在意料之中地沒有反應(yīng)。
第三回合：盜竊者不死心，在偷手機之前，就悄悄尾隨過主人，并錄下了她的聲音。然后播放給門“聽”——就算此時采用的是固定密碼，盜竊者播放了好幾次主人的聲音，門依然沒有開。
不過，第一，前文也提到過，聲音門鎖此前也有落地；第二，受眾接受度還有待考驗，畢竟還有指紋識別和人臉識別這種更方便的識別手段。
但是，鄭方和得意音通副總經(jīng)理兼首席架構(gòu)師肖永明介紹的以下這個場景，就讓雷鋒網(wǎng)編輯十分期待了：
“像‘給張三轉(zhuǎn)1000元’一句話，馬上可以做語音識別、意圖理解，得出指令，進行身份確認，最后進行銀行轉(zhuǎn)帳。一句話就可以銀行轉(zhuǎn)帳或購物等，非常方便。”
肖永明還告訴雷鋒網(wǎng)，目前他們正與汽車廠商合作，研制用于汽車的聲紋鎖和聲紋防盜。
這里有一個背景需要交待：
得意音通和清華大學(xué)共同負責(zé)國家頒布所有聲紋識別相關(guān)行業(yè)標準的制定，涉及行業(yè)包括公安、金融等不同行業(yè)。手機銀行現(xiàn)在設(shè)定唯一一個生物特征識別的標準就是聲紋的標準，也主要由他們起草。
其實，聲紋識別作為密碼驗證手段之一，早就在銀行服務(wù)中出現(xiàn)過。2015年，已有語音識別廠商與銀行聯(lián)合發(fā)布“聲紋+人臉”p2p轉(zhuǎn)賬產(chǎn)品。
2016年，建行手機銀行推出了聲紋驗證服務(wù)。
2015年，螞蟻金服技術(shù)團隊相關(guān)負責(zé)人稱，人臉登陸有希望在年內(nèi)上線，同時，螞蟻金服研發(fā)的聲紋技術(shù)也很有可能繼人臉識別之后應(yīng)用于登陸、轉(zhuǎn)賬等場景中。
后來，大家都知道，今年支付寶果真推出了“刷臉”服務(wù)。當然，還沒推出聲紋服務(wù)。
綜合來看，這意味著，鄭方提出的未來一句話可以轉(zhuǎn)賬這種事情還是靠譜的，而肖永明提到的汽車聲紋鎖，也在 2015 年時見諸報道，只是也是作為未來應(yīng)用的展望領(lǐng)域之一。
但是，回到問題最初，雖然看上去都是酷炫的黑科技，我能相信聲紋識的安全性嗎？為什么上面這種智能門能認出老王是老王，你是你？為什么就算是你的聲音，錄音播放也無法開門？
在雷鋒網(wǎng)的的一次硬創(chuàng)公開課中，曾有專家給出了以下不同聲音的聲紋圖，可以看到，不同的聲音，呈現(xiàn)出的畫面是迥異的：
▲1個月大嬰兒的哭聲聲紋
▲男人的口哨聲聲紋
▲下雨打雷聲聲紋
▲人聲和槍聲聲紋
真是不好意思，專家還給出了一張接吻聲的聲紋圖，就說你們接吻時不要咂巴嘴，你看這小畫面，是不是特別像日出時的海面：
還有，被視為軍事機密的核潛艇聲紋：
不同的物體發(fā)出的聲音有不同的聲紋，不同的人聲音的聲紋更是頗具奧秘，科學(xué)家的目的，就是在各種人聲中找出一個人的聲音特性，從而判定“你是你”。
接下來問題來了，第一，用什么方法可以判定“你是你”？
鄭方告訴雷鋒網(wǎng)，聲紋識別是一類典型的模式識別問題。完成聲紋特征提取后，接下來就需要選擇合理的聲紋建模和識別方法。
上述是一張聲紋識別技術(shù)發(fā)展簡圖。
從1930年開始，科學(xué)家用最樸素的語音波形進行比對，看誰“浪”得不一樣。
現(xiàn)在的主流方法是高斯混合模型-通用背景模型（GMM-UBM）、基于GMM-UBM發(fā)展起來的i-vector，以及深度神經(jīng)網(wǎng)絡(luò)等。
所謂高斯混合模型（GMM），就是用高斯概率密度函數(shù)（正態(tài)分布曲線）精確地量化事物，它是一個將事物分解為若干的基于高斯概率密度函數(shù)（正態(tài)分布曲線）形成的模型。
哎呀，學(xué)渣聽上去還是不懂，怎么破？
借用某網(wǎng)友的一個生動解釋是：
GMM——道生一一生二二生三三生萬物。
GMM是人們認識自然萬物相生相克的規(guī)律，是大腦對自然認識后的長時間歸納與沉淀。
GMM的核心思想就是任意形態(tài)的函數(shù)形式（不管是可見的光，圖像，還是抽象的多維度變量模型，比如經(jīng)濟金融危機模型），都可以用多個高斯函數(shù)加權(quán)混合得到。
那么什么是GMM-UBM？它是對傳統(tǒng)GMM模型的改進，因為在實際應(yīng)用中不可能采集到足夠的語音以覆蓋所有的聲學(xué)現(xiàn)象，因此在背景模型（UBM）的基礎(chǔ)上通過MAP自適應(yīng)得到新說話人的GMM模型。
如果看上去實在有點復(fù)雜，你就簡單地把它理解為幾種不同的算法吧……
看上去簡單得不能更簡單的聲紋識別門鎖其實很“復(fù)雜”。
鄭方說，上述演示的智能門鎖將聲紋識別和語音識別結(jié)合起來，實現(xiàn)了對“Who Spoke What”的識別判斷，也就是說，“門”不但知道你是誰，還知道你說了什么。
他們還利用了新老技術(shù)的結(jié)合，比如，將GMM-UBM與i-vector方法結(jié)合起來，利用動態(tài)時序信息在文本提示聲紋識別中得以應(yīng)用，基于深度學(xué)習(xí)的聲紋特征提取方法與傳統(tǒng)動態(tài)時間規(guī)整算法結(jié)合起來，對文本進行相關(guān)聲紋識別。
第二，不小心感冒了怎么辦？家里的小朋友長大了幾歲，聲音發(fā)生了變化怎么辦？開門的時候心情不好，哭著想開門怎么辦？再或者，好不容易下定決心去了趟泰國，回家想開門怎么辦？
“門”還能認出誰是親生主人嗎？
（年度最佳戲精，花式來開門）
人的聲音還具有易變性，易受身體狀況、年齡、情緒等的影響。若在環(huán)境噪音較大和混合說話人的環(huán)境下，聲紋特征也是很難提取和建模的。
鄭方說，他們一直以來都在努力地克服這些難題，全方位地提升聲紋識別系統(tǒng)的魯棒性。
魯棒性是什么？和魯班是親戚嗎？
NONONO
魯棒是Robust的音譯，也就是健壯和強壯的意思。它是在異常和危險情況下系統(tǒng)生存的關(guān)鍵。比如說，計算機軟件在輸入錯誤、磁盤故障、網(wǎng)絡(luò)過載或有意攻擊情況下，能否不死機、不崩潰，就是該軟件的魯棒性。所謂“魯棒性”，是指控制系統(tǒng)在一定（結(jié)構(gòu)，大?。┑膮?shù)攝動下，維持其它某些性能的特性。
鄭方解釋，科學(xué)家通常從技術(shù)和工程兩個角度并行處理。
例如，對于聲紋時變問題（人的聲紋隨時間變化），一方面從人類發(fā)音機理和人耳聽覺感知出發(fā)，尋找語音信號中對時間魯棒的信息，從中提取時變魯棒的聲紋特征；另一方面根據(jù)用戶使用情況，設(shè)計了多種聲紋模型自動重建與更新的框架，時刻保證聲紋識別系統(tǒng)的穩(wěn)定性與準確性。
針對情感和噪音問題，其也進行了相關(guān)研究，例如，采用特征映射與補償、降噪自動編碼器等方法在一定程度上解決了其所帶來的困擾。
還有，你以為為什么在密碼設(shè)定過程中，要用數(shù)字的動態(tài)驗證碼形式而不是隨便叫一聲“老婆”？
因為在聲紋認證應(yīng)用中使用動態(tài)數(shù)字密碼形式，以及其他一些專利技術(shù)（如聲紋時變魯棒性、聯(lián)合因子分析等），可以有效抵消身體狀況、年齡、情緒等的影響。
你哭就哭吧
，記得念準數(shù)字就好。
這樣還不夠，為了確保不會因為上述變故發(fā)生認不出親生主人的幺蛾子，鄭方和他的科研團隊想出了這些辦法：
1.研究了十余種典型發(fā)音方式變化對聲紋的影響，“你滴鵝幾在我搜上”
也許也在分析行列中；
2.錄制了全世界規(guī)模最大、時間跨度最長的用于研究年齡變化對聲紋影響的語音數(shù)據(jù)庫，用于研究解決年齡對聲紋的影響；
3.開展情感語音的聲紋識別技術(shù)研究。比如，一個妹子說你“討厭”，一定要根據(jù)語境和語氣來分析：她到底是叫你起開，還是叫你過來。
4.環(huán)境噪聲、混合說話等對一般性的聲紋識別影響較大，所以要通過多次測試保證識別的穩(wěn)定性。
雖然已經(jīng)進行了這么多研究工作，讓“門”能認出你是你，隔壁老王是隔壁老王也并非易事。
鄭方稱，未來聲紋識別有三個有意思的研究方向。
第一，如何解決聲紋黑客攻擊問題，我們雖然已經(jīng)有了針對錄音重放的檢測技術(shù)，但是黑客的手段也會不斷增多、水平不斷提高，需要更全方位的研究黑客對聲紋識別系統(tǒng)的攻擊手段，并提前研究出有效的防攻擊措施。
第二，如何構(gòu)建互聯(lián)網(wǎng)復(fù)雜環(huán)境下的統(tǒng)一聲紋平臺。當前整個互聯(lián)網(wǎng)中充斥著各種編碼格式、信道、噪音的語音，因此如何在此類復(fù)雜環(huán)境下準確高效的完成聲紋識別和身份認證也是一項巨大的挑戰(zhàn)。
第三，如何解決“雞尾酒舞會”（多說話人）問題。在實際應(yīng)用中，語音信號通常會同時夾雜著多個說話人，因此如何實現(xiàn)多說話人場景下的實時說話人檢測也將是一大研究難點。若該問題得以解決，其將在許多領(lǐng)域得以應(yīng)用，如公安刑偵中的快速目標說話人檢測。
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。
