左手技術(shù)，右手需求，但聲紋識(shí)別依舊當(dāng)不了“獨(dú)行俠”

　　前段時(shí)間，OPPO意外上了熱搜。

　　因?yàn)橹悄蹵I語音助手“小歐”的語音喚醒、解鎖功能，用戶花了5000元買了一部OPPO的手機(jī)。這事沒讓用戶感到興奮，反而有點(diǎn)恐慌。

　　根據(jù)指示，在錄入聲音后，應(yīng)該只有聲音的主人能夠語音喚醒、解鎖，而現(xiàn)在，在用戶已經(jīng)提前錄入聲音的前提下，他的朋友竟然也通過語音成功喚醒小歐，并解鎖手機(jī)。

　　這其中究竟是哪一步出了問題?

　　答案是，語音識(shí)別。

　　說得更準(zhǔn)確一點(diǎn)，是手機(jī)系統(tǒng)的聲紋識(shí)別不夠準(zhǔn)確。

　　聲紋識(shí)別很“低調(diào)”，但掩蓋不住市場利好

　　就像這個(gè)世界上沒有任何兩片樹葉的紋理是一樣的，即使是雙胞胎，他們的舌、牙齒、喉頭、肺、鼻腔在尺寸和形態(tài)等方面多多少少都會(huì)有些差異，即便是聲音聽起來相似，但聲紋圖譜總歸是不同的。

　　具體說來，聲紋識(shí)別是生物識(shí)別手段的其中一種，跟它屬于同一家族的還有指紋識(shí)別、人臉識(shí)別、虹膜識(shí)別等等。在現(xiàn)實(shí)生活中，識(shí)別技術(shù)通常都被用來作為交互或是安全認(rèn)證的一種手段，聲紋識(shí)別亦不能免俗。

　　目前，聲紋識(shí)別技術(shù)最大的市場在于安防和金融。其中，最為經(jīng)典、刺激的當(dāng)屬刑偵。最佳例子來自2017年的熱播劇《人民的名義》，針對陳海發(fā)生車禍一事，反貪局局長侯亮平與京州公安局局長趙東來在全場進(jìn)行探討分析，提到陳海在車禍前共接到兩個(gè)舉報(bào)電話，京州公安局將兩個(gè)電話交由不同技術(shù)部門進(jìn)行了兩次鑒定，最終得出結(jié)論，兩通電話舉報(bào)人的聲音并非蔡成功一人。

　　如何知道聲音不是同一個(gè)人的?這其中所使用的技術(shù)就是聲紋識(shí)別。更進(jìn)一步講，這是1對1的聲紋識(shí)別技術(shù)，通過將電話中的聲紋與數(shù)據(jù)庫中蔡成功的聲紋特征進(jìn)行1對1比對。

　　而在金融領(lǐng)域，聲紋識(shí)別技術(shù)也被用于用戶身份確認(rèn)等方面，譬如銀行系統(tǒng)會(huì)要求用戶登錄時(shí)先行說出一段指定文字，從而進(jìn)行聲紋數(shù)據(jù)的比對，以確認(rèn)用戶是否為本人?？梢哉f，在安防/金融等領(lǐng)域，聲紋識(shí)別有著先天的落地場景和利好前景。

　　安防/金融等應(yīng)用場景之外，聲紋識(shí)別也逐步地在智能硬件、智能家居等產(chǎn)品或場景內(nèi)實(shí)現(xiàn)落地。

　　以智能家居場景內(nèi)的智能音箱為例。最初智能音箱并不具備聲紋識(shí)別的功能，這也就意味著任何人都可以喚醒它并對其下指令。而當(dāng)有多人同時(shí)發(fā)聲時(shí)，智能音箱就會(huì)發(fā)生“指令混亂”的問題。如果任何人都可以通過智能音箱進(jìn)行全場景控制，那么無疑為不法分子提供了作案便利。因此，出于安全性、指令接收準(zhǔn)確性、個(gè)性化等因素，聲紋識(shí)別技術(shù)也漸漸在智能家居、智能硬件等場景中實(shí)現(xiàn)滲透。

　　目前，在聲紋識(shí)別技術(shù)的應(yīng)用方面，除了接入安防、金融等行業(yè)，諸如長虹等硬件廠商也研發(fā)并推出了具備聲紋識(shí)別功能的智能電視、智能手機(jī)等等。

　　從近幾年的情形可以看出，相比于指紋識(shí)別、人臉識(shí)別等生物識(shí)別技術(shù)，聲紋識(shí)別是“低調(diào)”的，但市場需求是的確存在的，且市場熱度也有上升趨勢。

　　相比其他家族成員，聲紋識(shí)別的成長過程有著許多“攔路虎”

　　此前，智研咨詢發(fā)布《2018-2024年中國聲紋識(shí)別技術(shù)行業(yè)市場運(yùn)營態(tài)勢及發(fā)展前景預(yù)測報(bào)告》，內(nèi)容中指出，2017年聲紋識(shí)別技術(shù)的全球收入為1.32億美元，而這一數(shù)值在幾年將增至1.59，增速達(dá)到20.5%，預(yù)計(jì)到2021年，聲紋識(shí)別技術(shù)的全球收入將達(dá)到2.64億美元。僅從這一數(shù)值來看，聲紋識(shí)別的市場預(yù)期還是不小的。

　　但另一方面，這一市場預(yù)期又著實(shí)有點(diǎn)不夠看頭。國際權(quán)威調(diào)研機(jī)構(gòu)Gen Market Insights發(fā)布了《全球人臉識(shí)別設(shè)備市場研究報(bào)告2018》，報(bào)告稱，2017年全球人臉識(shí)別設(shè)備市場價(jià)值為10.7億美元，到2025年底將達(dá)到71.7億美元，在2018年至2025年期間將以26.8%的速度增長。

　　一邊是個(gè)位數(shù)，一邊是十位數(shù)，這中間的差距之大十分明顯。

　　此外，我們再看另外一組對比：

　　從易用性、準(zhǔn)確率、成本、用戶接受度等角度出發(fā)，對各項(xiàng)生物識(shí)別技術(shù)做對比。我們可以直觀看到，綜合評判上，相比于指紋識(shí)別、掌型識(shí)別、人臉識(shí)別、虹膜識(shí)別等生物識(shí)別技術(shù)，聲紋識(shí)別在各方面都占據(jù)優(yōu)勢。

　　那么，我們就疑惑了：市場存在需求，易用性、準(zhǔn)確率、成本、用戶接受度等方面又比其他生物識(shí)別技術(shù)更有優(yōu)勢，緣何聲紋識(shí)別技術(shù)的市場占有率遠(yuǎn)遠(yuǎn)落后于人臉識(shí)別等技術(shù)?

　　問題就出在數(shù)據(jù)的采集和覆蓋范圍上。

　　在本文開始，我們就提到縱然是雙胞胎，他們的聲紋特征也是有所差異的，不過更為準(zhǔn)確地講，聲紋是一種“相對唯一”的生物特征。

　　在實(shí)際應(yīng)用中，聲紋識(shí)別受影響的因素比較多，首先注冊模型上，受限于環(huán)境、身體狀態(tài)等因素，一個(gè)人的聲音會(huì)發(fā)生不用的變化;其次在應(yīng)用中，也會(huì)受注冊環(huán)境跟驗(yàn)證環(huán)境不一致造成的失配問題，致使聲紋不能匹配;最后，聲紋也會(huì)隨著年齡的變化而變化。另外，雖然聲紋可以實(shí)現(xiàn)非接觸的，但是在入侵方面也增加了更多的風(fēng)險(xiǎn)，比如錄音、合成器合成等。

　　其中針對某些問題，人工智能技術(shù)能夠給予一定的幫助，比如環(huán)境對聲紋收集和比對的影響。一般情況下，在語料覆蓋率足夠完整的前提下，將之用于模型的搭建和訓(xùn)練，在最終實(shí)際應(yīng)用場景中，即使面對嘈雜的環(huán)境，系統(tǒng)在提取聲紋特征時(shí)便會(huì)將這些因素“去掉”，從而確保聲紋特征的精準(zhǔn)。

　　什么是語料?是指一個(gè)人的聲紋數(shù)據(jù)。

　　不過，用極限元?jiǎng)?chuàng)始人兼CEO溫正棋的話來說，面對環(huán)境失配問題，現(xiàn)在更多的是通過語料的覆蓋率來解決。在其看來，技術(shù)的成熟度極大程度上也是依賴語料的積累度。

　　語料積累的全面與完整，這涉及到背后的聲紋數(shù)據(jù)庫是否全面覆蓋了不用環(huán)境、不同狀態(tài)等場景下的聲紋特征。對于一般企業(yè)而言，這是一個(gè)極具難度的工作。

　　語料的完整與否影響了模型訓(xùn)練的精確度，也影響了聲紋識(shí)別技術(shù)在實(shí)驗(yàn)室之外的商業(yè)化落地，尤其是面對1對N的“說話人辨認(rèn)”的情況，相對于1對1的“說話人確認(rèn)”，“說話人辨認(rèn)”會(huì)要求系統(tǒng)通過聲紋識(shí)別技術(shù)在多個(gè)人中找出一個(gè)人，這對系統(tǒng)的語料完整度、聲紋特征提取的準(zhǔn)確度等多個(gè)方面提出了要求。

　　未來，聲紋識(shí)別當(dāng)不了“獨(dú)行俠”

　　現(xiàn)如今，以智能手機(jī)為例，各大手機(jī)生產(chǎn)商、應(yīng)用開發(fā)商更樂意采用人臉識(shí)別技術(shù)來用于認(rèn)證解鎖、認(rèn)證支付。而在機(jī)場、高鐵等場地，人臉識(shí)別檢票等設(shè)備也應(yīng)較為常見。

　　在這些場景中，人臉識(shí)別技術(shù)被作為安全認(rèn)證技術(shù)獨(dú)立使用。那么，同樣是安全認(rèn)證技術(shù)，聲紋識(shí)別有沒有機(jī)會(huì)來當(dāng)一回“獨(dú)行俠”?

　　嚴(yán)格說來，聲紋識(shí)別當(dāng)“獨(dú)行俠”的機(jī)會(huì)很少，微乎其微。只有在相對局限的場景中，譬如相對外來因素影響較小的家居環(huán)境等等，用戶只需要提前錄入自己多種狀態(tài)的聲紋并實(shí)時(shí)更新，系統(tǒng)將能夠獨(dú)立提供服務(wù)。

　　至于其他較為復(fù)雜的環(huán)境，現(xiàn)在的聲紋識(shí)別很多都是與語音識(shí)別和人臉識(shí)別等結(jié)合，譬如用戶讀出一段指定文字，以登錄銀行賬戶等，安全指數(shù)更高。也因此，從大趨勢來講，聲紋識(shí)別當(dāng)不了“獨(dú)行俠”。