導讀:本文基于時下聲紋識別技術研究的前沿觀點,總結出五大發(fā)展趨勢。
圖片來自“pexels”
走出實驗室的聲紋識別技術因其廣闊的應用場景和價值,從特定領域到民用領域,在國內外正迎來第一波商用化浪潮。
而與此同時,關于聲紋識別技術研究的成熟度以及安全可靠性,一直是應用領域討論的重點,本文基于時下聲紋識別技術研究的前沿觀點,總結出五大發(fā)展趨勢:
1、 聲紋識別研究朝著深度學習和端到端方向發(fā)展
語音作為語言的聲音表現形式,不僅包含了語言語義信息,同時也傳達了說話人語種、性別、年齡、情感、信道、嗓音、病理、生理、心理等多種豐富的副語言語音屬性信息。以上這些語言語音屬性識別問題從整體來看,其核心都是針對不定時長文本無關的句子層面語音信號的有監(jiān)督學習問題,只是要識別的屬性標注有不同。
近年來,聲紋識別的研究趨勢正在快速朝著深度學習和端到端方向發(fā)展,其中最典型的就是基于句子層面的做法。在網絡結構設計、數據增強、損失函數設計等方面還有很多工作去做,還有很大的提升空間。
2、 提升聲紋識別系統(tǒng)的短時語音情況
在實際應用中,由于對基于語音的訪問控制需求的不斷增長,提升聲紋識別系統(tǒng)在短時語音情況下的性能變得尤為迫切。短時語音中說話人信息不足以及注冊和測試語音的文本內容不匹配,對于主流的基于統(tǒng)計建模的聲紋識別系統(tǒng)是一個嚴峻的挑戰(zhàn)。
3、 改進現有的深度說話人學習方法
目前采用的深度說話人識別方法首先利用神經網絡提取前端的幀級特征,然后通過池化映射獲得可以表示說話人特性的段級向量,最后采用 LDA/PLDA 等后端建模方法進行度量計算。
相對于傳統(tǒng)的 i-vector 生成過程,基于深度學習的說話人識別方法優(yōu)勢主要體現在區(qū)分性訓練和利用多層網絡結構對局部多幀聲學特征的有效表示上。如何進一步改進現有的深度說話人學習方法是現階段的一個研究熱點。
4、 深度對抗學習在聲紋識別技術中的應用
生成式對抗網絡 (GAN) 的主要目的是用在數據生成、降噪、等很多場景里面。它還被用在領域自適應里面,形成一個新的分布。第三個廣泛的應用是生成對抗樣本,這會對分類系統(tǒng)產生大的困擾。很多研究者用對抗樣本攻擊機器學習的系統(tǒng),在原始數據上增加一些擾動,生成樣本,經過神經網絡之后就有可能識別成完全不同的結果。這個思想在圖像處理領域非?;钴S,會造成錯誤識別,引起了自動駕駛,安全等領域的研究人員的廣泛關注。
在語音領域,GAN 可以用在語音識別、口音自適應上,通過多任務學習和梯度反轉層來進行口音或信道的自適應,然后加上其他方法可以得到較好的效果。聲紋識別也存在各種不匹配的問題,在聲紋識別上也可以使用這一思想。同樣的思想也用在了 TTS 語音合成領域,目的是把不同的音素解耦成說話人,風格等,去除噪聲對建模的影響。
5、 深度嵌入學習是進行聲紋識別和反欺騙的一個重要途徑
說話人識別和欺騙檢測近年來受到學術界和業(yè)界的廣泛關注,人們希望在實際應用中設計出高性能的系統(tǒng)?;谏疃葘W習的方法在該領域得到了廣泛的應用,在說話人識別和反欺騙方面取得了新的里程碑。然而,在真實復雜的場景下,面對短語音、噪聲的破壞、信道失配、大規(guī)模等困難,開發(fā)一個魯棒的系統(tǒng)仍然是非常困難的。深度嵌入學習是進行說話人識別和反欺騙的一個重要途徑,在這方面已有一些著名的研究成果。如之前的 d-vector 特征和當前普遍使用的 x-vector 特征。
結語:
目前,指紋識別、人臉識別已經被大眾所熟知,但同樣作為生物識別的聲紋識別,還處于技術挑戰(zhàn)的前沿地帶。據聲紋識別企業(yè)快商通分析,當下全球生物識別產業(yè)規(guī)模龐大,僅聲紋識別這一細分方向的市場規(guī)模就將近百億美元,預計2020年更是有望超過200億美元(合1346億元人民幣),占整個生物識別市場的22.4%。
以國內公共安全領域為例,公安部面向全國推廣聲紋技術,與指紋庫、DNA庫類似,聲紋庫建設是一項有著重要實戰(zhàn)價值的工作,具體表現在聲紋特征具有非接觸式采集的優(yōu)點,和已有DNA庫、指紋庫相結合,可形成立體生物特征庫,建成后直接為多警種服務,是利用高科技手段在偵破案件和訴訟活動中應用的一個新的增長點,將能有效提高公安機關偵查破案的效率和能力,成為落實科技強警的重要實踐之一。目前,公安部已在聲紋庫建設方面進行了重點布局,并選擇快商通等通過公安部標準檢測的廠商作為聲紋采集設備提供方,力求雙發(fā)共同完成這項專業(yè)技術性強、應用領域廣、建設難度大的系統(tǒng)工程。