劉駿：大家好，我是東進公司產(chǎn)品經(jīng)理劉駿，今天很高興能和大家一起共同探討新技術(shù)在行業(yè)中的應(yīng)用，今天我講的是"聲紋識別技術(shù)及其應(yīng)用"。
為什么會講這個主題呢，一是東進技術(shù)與清華大學(xué)合作，將聲紋識別技術(shù)應(yīng)用在了中國建設(shè)銀行的手機銀行業(yè)務(wù)中，這是將東進技術(shù)硬件設(shè)備上的研發(fā)優(yōu)勢和清華大學(xué)在底層算法上的科研優(yōu)勢相結(jié)合的一個有益嘗試。二是以聲紋識別、人臉識別為代表的生物特征識別在近幾年特別火，不談其他的，就我們這個行業(yè)而言，可以看到，無論是呼叫中心行業(yè)還是通信企業(yè)，人工智能應(yīng)用越來越多了，如我們可以看到智能機器人、語音識別（ASR）等，因此，東進想在生物特征識別技術(shù)的應(yīng)用領(lǐng)域做一些探索。
為什么生物特征識別技術(shù)近幾年特別火呢，我認(rèn)為有三個原因，第一是技術(shù)的進步所帶來的發(fā)展，第二是應(yīng)用有強勁的需求，第三是大佬們的推波助瀾以及資本的熱捧。業(yè)內(nèi)對生物特征識別也普遍持樂觀態(tài)度，這是權(quán)威的國際生物識別集團（International Biometric Group，IBG）在2014年做的《2007-2020全球生物識別技術(shù)行業(yè)市場規(guī)模與預(yù)測》，IBG預(yù)測，在2020年，全球生物識別技術(shù)行業(yè)的市場規(guī)模將達到250億美元。
生物特征識別技術(shù)涵蓋指紋、人臉、聲紋、瞳孔、掌紋以及靜脈紋，每種生物特征識別都有著不一樣的技術(shù)特性和應(yīng)用場景，在此我們可以簡單比較一下聲紋和人臉之間的區(qū)別，人臉識別是基于人的生理特征，而聲紋識別不僅基于人的生理特征，也是基于人的行為特征。人臉在人的一生中是相對有規(guī)律的自然變化，而聲音不僅有相對規(guī)律的自然變化，也與人后天的生活環(huán)境、文化環(huán)境相關(guān)，具有極強的自然屬性和文化屬性，不易被仿冒，或者說仿冒的難度比較高。因此，相對人臉識別，聲紋識識別更能夠應(yīng)用到遠(yuǎn)程身份認(rèn)證領(lǐng)域，聲紋識別如果能和現(xiàn)有的基于互聯(lián)網(wǎng)的客戶服務(wù)結(jié)合，會有更好的應(yīng)用前景和市場前景。
因此，國際生物識別集團在《2007-2020全球生物識別技術(shù)行業(yè)細(xì)分市場規(guī)模與預(yù)測》中預(yù)測，在2020年的250億美元市場中，指紋排第一，130億美元，聲紋排第二，為56億美元，人臉排第三，為24億美元，顯然，相比人臉，IBG對聲紋識別更樂觀一些。
需要講清楚的一點是，聲紋識別和語音識別是不一樣的，聲紋識別是基于發(fā)音特征，關(guān)注的是你是誰，語音識別基于語義特征，關(guān)注的是你說了什么，還有一點是聲紋識別有兩類，一類是確認(rèn)，即要證明你是你，一類是是辨認(rèn)，就是在一堆人中找出你。
面向確認(rèn)的聲紋識別應(yīng)用已經(jīng)達到了實際商用水平，如司法行業(yè)的司法矯正中就用到聲紋識別，大家可能不知道，聲紋識別早在2010年前后就開始在司法行業(yè)中得到應(yīng)用了。基本流程是這樣的，假釋人員首先在司法部門進行司法宣告，留下語音，然后給他一個具有LBS功能的手機，在監(jiān)外服刑期間，司法矯正系統(tǒng)會定期對矯正對象所持手機進行定位，以判斷對象是否在規(guī)定的地理位置，同時，利用東進Keygoe多媒體交換機對手機進行外呼，通過IVR引導(dǎo)矯正對象進行聲紋比對，以判斷矯正對象和手機是否分離。目前，這種面向確認(rèn)的聲紋識別技術(shù)在司法行業(yè)已經(jīng)達到較高的商用成熟度。還有一個應(yīng)用就是手機的聲紋鎖，用聲紋來打開你的手機，這種的應(yīng)用的商用化程度也非常高。
而面向辨認(rèn)的聲紋識別技術(shù)，我個人認(rèn)為其商業(yè)化還有一段路要走，一個例子是汽車行業(yè)的用戶滿意度調(diào)查。汽車4S店將大量的客戶訪問電話的錄音文件交到汽車廠商，為防止4S店作弊，汽車廠商需要將被仿冒的電話給找出來，這就需要通過聲紋識別技術(shù)來進行，但從目前反饋的情況來看，效果并不理想，這倒不是技術(shù)問題，而是和應(yīng)用場景相關(guān)，因為不可能對汽車廠商的客戶進行語音預(yù)留。
我們?nèi)祟悓φZ音的說話人鑒別是我們?nèi)祟愒趲装偃f年的進化過程中習(xí)得而來，與生俱來，而通過機器進行說話人識別跟人類大腦的識別是不一樣的。在這個圖中，上面兩個是聲音的波形圖，即聲音振幅隨時間變化的曲線，下面兩個是語譜圖，即聲音在不同頻段的能量值大小隨時間的變化曲線，上世紀(jì)三四十年代，美國的Bell實驗室的勞倫斯·科斯塔通過觀察語譜圖第一次提出了"聲紋"的概念；到四十年代至七十年代，同樣是Bell實驗室的S.Pruzansky提出了基于統(tǒng)計學(xué)原理的聲紋識別理論，系統(tǒng)地發(fā)展了聲紋識別理論，理論體系得以初步建立，這一階段的研究主要集中在特征參數(shù)的選擇、提取上，相繼提出了線性預(yù)測倒譜系數(shù)、共振峰參數(shù)等特征參數(shù)；在上世紀(jì)七十年代至九十年代，聲紋識別技術(shù)發(fā)展迅速，參數(shù)提取上提出了應(yīng)用較為成熟的梅爾頻率倒譜系數(shù)（MFCC）模式匹配，并相繼出現(xiàn)了矢量量化技術(shù)(VQ)、動態(tài)時間規(guī)整(DTW)、隱馬爾科夫模型(HMM)等模式匹配模型；九十年代至今，開始步入實際應(yīng)用階段，工作重點是提高聲紋識別系統(tǒng)的可靠性和實用性。
衡量一個聲紋識別效果的重要參數(shù)是錯誤接受率和錯誤拒絕率，在這個曲線中，錯誤接受率和錯誤拒絕率是一個矛盾曲線，即兩者不可兼得，因此，業(yè)內(nèi)提出來等錯率，目前的聲紋識別技術(shù)在理想的情況下等錯率可以做到低于0.5%，即在1000個的聲紋比對中，僅有不到5個的錯誤接受率和錯誤拒絕率。
聲紋識別就目前的應(yīng)用來說，主要有三個技術(shù)難點。
一個技術(shù)難點就是跨信道。這是在聲紋識別中，學(xué)習(xí)訓(xùn)練通道和識別通道在相同和不同情況下，對等錯率的影響，藍(lán)色曲線的同一信道曲線，紅色曲線是跨信道曲線，可以看到，跨信道的等錯率幾乎到了20%，那么在實際應(yīng)用中，我們該怎么去解決這問題呢，特別是技術(shù)水平相對穩(wěn)定的情況下該怎么解決這個問題？
我們的做法是結(jié)合應(yīng)用場景，盡量使訓(xùn)練學(xué)習(xí)通道和識別通道都用同一個信道，盡量避免跨信道。這是一個駕校管理系統(tǒng)方案，為防止駕校侵占學(xué)員的學(xué)時，需要對學(xué)員進行身份認(rèn)證，現(xiàn)在的認(rèn)證方法是學(xué)員IC卡讀取和指紋識別，學(xué)員通過教練車載終端進行登錄，現(xiàn)在將聲紋識別技術(shù)引入進來，如果學(xué)員報名時在報名處通過寬帶接入網(wǎng)進行聲紋預(yù)留，在教練車上通過車載終端和3G網(wǎng)絡(luò)通道進行識別時，就會影響實際的識別效果，我們提出的解決方案是，在報名時，學(xué)員下載APP后就通過移動寬帶網(wǎng)絡(luò)進行語音預(yù)留，在教練車上，車載終端僅下發(fā)動態(tài)碼，學(xué)員仍然通過自己的手機利用移動寬帶網(wǎng)絡(luò)通道進行識別，這樣就能顯著提高識別率。
第二個技術(shù)難點是錯誤識別。做到百分之百的正確識別是不現(xiàn)實的，但我們可以利用等錯率曲線，根據(jù)業(yè)務(wù)應(yīng)用場景，通過參數(shù)配置，有針對性地提高或降低錯誤拒絕率或錯誤接受率，使之符合實際的應(yīng)用場景。舉個例子，如果安全性較高的應(yīng)用場景，如大額轉(zhuǎn)賬，我就將參數(shù)配置在這個區(qū)域，即較低的錯誤接受率和較高的錯誤拒絕率，犧牲便利性突出安全性，相信客戶在進行大額轉(zhuǎn)賬時，應(yīng)該是能夠忍受一定的不方便而獲得較高的安全性。當(dāng)聲紋識別用于手機解鎖時，我們可以調(diào)整參數(shù)，使之工作低錯誤拒絕率和高錯誤接受率這個區(qū)域，提供較好的方便性，因為手機在大多數(shù)情況下都在我們身邊，誰也不會沒事就拿著手機找人家闖入。
第三技術(shù)難點就是假體攻擊。就指紋的假體攻擊，據(jù)說淘寶上賣一個指紋只需要十幾塊錢，今年315晚會上，針對人臉識別的假體攻擊也讓人臉識別火了一把。就聲紋識別而言，常見的假體攻擊就是錄音以及錄音的拼接，從理論上講，通過錄音文件進行闖入是存在可能性的。對錄音及錄音拼接，我們的解決方案是動態(tài)碼，即下發(fā)一個隨機的8位數(shù)的數(shù)字，通過對這個動態(tài)碼的識別來進行身份驗證，提高了系統(tǒng)識別率和安全率，這也是我們?yōu)橹袊ㄔO(shè)銀行的手機銀行的遠(yuǎn)程身份認(rèn)證提供的解決方案。
中國建設(shè)銀行的手機銀行業(yè)務(wù)，其遠(yuǎn)程身份認(rèn)證的大致流程是這樣的，大家請看這個圖，首先是手機客戶端發(fā)起驗證請求， 銀行業(yè)務(wù)系統(tǒng)調(diào)用東進的聲紋驗證機接口獲取ID和文本，以獲得隨機產(chǎn)生的ID和文本，然后將文本解碼并發(fā)送給手機銀行客戶端，手機銀行客戶端讀出文本，并將錄音發(fā)給銀行業(yè)務(wù)系統(tǒng)，銀行業(yè)務(wù)系統(tǒng)收到錄音后調(diào)用聲紋驗證機接口上傳用戶語音，聲紋驗證機返回聲紋驗證結(jié)果給銀行業(yè)務(wù)系統(tǒng)，銀行業(yè)務(wù)系統(tǒng)將驗證成功或失敗接口發(fā)給手機銀行客戶端。這就是我們現(xiàn)在向中國建設(shè)銀行提供的面向移動互聯(lián)網(wǎng)的聲紋識別+動態(tài)口令的遠(yuǎn)程身份認(rèn)證解決方案。
面向金融和支付領(lǐng)域的聲紋識別技術(shù)應(yīng)用，目前一個行業(yè)問題就是，能否將聲紋識別正式作為遠(yuǎn)程身份認(rèn)證的一個正式手段納入到相應(yīng)的業(yè)務(wù)環(huán)節(jié)，不過有兩個動向使我們對此很樂觀。一個是，去年中國人民銀行發(fā)布《關(guān)于推動移動金融技術(shù)創(chuàng)新健康發(fā)展的指導(dǎo)意見》中，要求銀行和清算機構(gòu)提供手機等移動金融服務(wù)時，應(yīng)使用可靠的多因素身份認(rèn)證方式，多因素身份認(rèn)證中就有聲紋、人臉等選項；另外一個動向是，中國人民銀行金融標(biāo)準(zhǔn)委員會正在組織起草《手機銀行中基于聲紋識別的增強安全應(yīng)用技術(shù)規(guī)范》，目前正在征求意見階段，預(yù)計不久的將來，該規(guī)范將正式作為中國金融行業(yè)的一個正式標(biāo)準(zhǔn)，指導(dǎo)金融行業(yè)在聲紋識別技術(shù)的規(guī)范應(yīng)用，相信能促進聲紋識別市場的良性發(fā)展。
最后做一個廣告，這是東進FV-1000聲紋驗證機，是東進硬件設(shè)備上的研發(fā)優(yōu)勢和清華大學(xué)在底層算法科研優(yōu)勢結(jié)合的一個有益嘗試。就設(shè)備本身而言，行業(yè)內(nèi)的朋友都知道，東進在硬件設(shè)備的研發(fā)設(shè)計和生產(chǎn)制造上擁有超過20的創(chuàng)新歷史，設(shè)備以高可靠、高穩(wěn)定、高性能和高靈活度的特點獲得了產(chǎn)業(yè)鏈上各個環(huán)節(jié)的高度認(rèn)可。目前這臺FV-1000所搭載的聲紋識別算法不僅能通過靈活的參數(shù)配置來適應(yīng)不同的應(yīng)用場景，還具有防錄音和防錄音拼接功能，而且能夠進行自我學(xué)習(xí)，適應(yīng)人類聲音的自然變化。另外，從聲紋識別技術(shù)應(yīng)用的系統(tǒng)架構(gòu)上看，東進FV-1000聲紋驗證機處在系統(tǒng)架構(gòu)較低層的接入層和支持層，并對上層應(yīng)用提供應(yīng)用開發(fā)接口，應(yīng)用開發(fā)接口完全基于Web Service，這也體現(xiàn)了東進一貫堅持的產(chǎn)業(yè)鏈合作的經(jīng)營理念，東進愿意與合作伙伴一起，共同打造基于（移動）互聯(lián)網(wǎng)的遠(yuǎn)程身份認(rèn)證解決方案，探索生物特征識別技術(shù)在更廣泛行業(yè)中的應(yīng)用。
總而言之，技術(shù)的進步和應(yīng)用需求使我們進入了生物特征識別產(chǎn)業(yè)高速發(fā)展的增長期，而要獲得持續(xù)的市場增長，就需要我們在技術(shù)及其應(yīng)用上進一步去探索與突破，除此之外，生物識別技術(shù)的應(yīng)用還存在一些安全和隱私問題，除了技術(shù)需要進一步提升外，行業(yè)還要制定相關(guān)的標(biāo)準(zhǔn)和規(guī)范，甚至國家在法律層面還需要制定相應(yīng)的法律和法規(guī)，以明晰可能存在的風(fēng)險，讓我們在基礎(chǔ)研究、技術(shù)開發(fā)、行業(yè)應(yīng)用等方面共同努力，以更好的產(chǎn)品和服務(wù)迎接生物特征識別市場收獲季節(jié)的到來。
謝謝大家！
