配音演員模仿其他人的聲音，雖然聽覺上相似，但也無法模仿說話者最本質的特性。從聲紋特征分析上還是會有差異。

繼“刷臉”之后 聲紋識別也已進入我們的生活。近日，平安科技和金融壹賬通聯(lián)合項目組與廣發(fā)銀行簽署了聲紋核身項目，將在銀行預防欺詐、提供優(yōu)質服務方面發(fā)揮作用。此前，市場監(jiān)管總局、人民銀行兩部委發(fā)文，決定將支付技術產品認證擴展為金融科技產品認證，并確定了《金融科技產品認證目錄(第一批)》，該認證目錄中也包括聲紋識別系統(tǒng)。

那么，什么是聲紋?它會被模仿導致識別設備誤判嗎?

頻譜、韻律、語言特征均有差異 聲紋具有唯一性和獨特性

聲紋是生物識別特征的一種，是在說話人發(fā)聲時提取出來的，可以作為說話人的表征和標識，能與其他人相互區(qū)別的語音特征，以及基于這些特征或參數所建立的語音模型的總稱。聲紋識別又稱為說話人識別，是從說話人發(fā)出的聲音頻譜圖中提取身份特征信息和聲紋特征，再把聲信號轉換成電信號，用計算機通過相關算法進行比對識別的技術。

清華大學信息技術研究院教授鄭方說，語音信號之所以被形容為“形簡意豐”，是因為聲音包含有內容、身份、情感、年齡及健康狀況等豐富的信息。再加上人類語言的產生要經過人體語言中樞與發(fā)音器官間復雜的生理物理過程，理論上說，每個人說話時的短時頻譜、聲源、時序動態(tài)、韻律、語言學特征等都有差異。因此，聲紋就像指紋一樣具有唯一性和獨特性。

與人臉、指紋和虹膜識別相比，聲紋識別有著諸多優(yōu)勢，比如聲紋語料收集方式自然，無須進行眨眼、擺動臉部等特定動作，不受光線或隱私等特定場景的約束，人們接受度更高;聲紋識別可以隨機改變朗讀內容，即便曾在網上或其他地方留下語音信息，也不易被復制或盜用。“被識別人不需要近距離接觸識別設備，聲紋可以通過電話、APP等渠道傳達語音到后臺進行識別，并且可以在用戶語音對話過程中自動完成識別，使用成本低而且方便快捷?！逼桨部萍悸暭y領域專家告訴科技日報記者。

聽起來相似不等于聲紋相似 聲紋識別準確率已超過99%

登錄手機銀行APP，開啟聲紋驗證，用戶只要準確說出隨機動態(tài)碼，系統(tǒng)錄制語音信息、驗證聲紋及隨機動態(tài)碼后，就能進行轉賬、支付等交易……目前，聲紋識別已經在部分銀行開始使用了。

不過，生活中聲音相似的人有很多，有些配音演員還可以模仿他人的聲音，用聲紋作為金融產品認證會不會很不安全?對此，平安科技聲紋專家解釋說，總體來說，聲紋是穩(wěn)定的生物特征。除了人一生中的某些年齡段如少年變聲期，聲紋可能會有所變化，大多數情況下聲紋特征是穩(wěn)定的。

由于每個人在說話時使用的發(fā)聲器官，如舌頭、牙齒、口腔、聲帶、肺、鼻腔等在尺寸和形態(tài)方面有所差異，以及年齡、性格、語言習慣等多種原因，在發(fā)音時千姿百態(tài)，導致這些器官每個人發(fā)出的聲音必然有著各自的特點。特別是，每個人在說話過程中所蘊含的個性特征，如發(fā)音習慣等幾乎是獨一無二的，就算被模仿，也改變不了說話者最本質的特性。

“因此，配音演員模仿其他人的聲音，雖然聽覺上相似，但也無法模仿說話者最本質的特性。從聲紋特征分析上還是會有差異，是可以區(qū)別開來的?！?/p>

根據測算結果，公安部發(fā)布《GA/T 1179-2014安防聲紋確認應用算法技術要求和測試方法》標準，聲紋科技產品依據該標準進行數據采集。目前，用戶如果按照事先指定的文本讀出內容，聲紋識別準確率已達99.8%;如不照讀事先指定的文本內容而隨意發(fā)聲，聲紋識別準確率也能達到99.1%?！半m然準確率不低，但還是存在誤判的可能，在設計使用場景和流程時，需要考慮到聲紋識別并非100%準確率的現實?！逼桨部萍悸暭y專家說，聲紋作為金融產品的認證，需要看具體場景。對于輔助核實身份、名單識別、防欺詐、聲紋鎖登錄等場景使用是合適的;但在大額支付類的場景中，如果將聲紋作為唯一的認證手段，就需要充分評估風險。

目前，除了金融領域外，聲紋正在進入公共安全、智能家居、智慧教育、智能社區(qū)等行業(yè)，并根據不同應用場景的特點進行針對性開發(fā)。如冒領養(yǎng)老金的事件時有發(fā)生，如果要求高齡老人必須親臨現場驗明正身才能領取養(yǎng)老金，又會非常不便。聲紋確認技術具有遠程操控屬性，社保局通過預裝聲紋身份認證系統(tǒng)，就可對領養(yǎng)老金者開展遠程身份認證，實現“信息多跑路，群眾少跑腿”。目前，貴州省黔東南州等地正在開展相關試點。

聲紋識別技術發(fā)展“三步走”

以語音作為身份認證的手段，最早可追溯到17世紀60年代英國查爾斯一世之死的案件審判中。1966年，美國法院第一次采用聲紋進行取證。隨著研究手段和計算機技術的不斷進步，聲紋識別逐步由單純的人耳聽辨，轉向基于計算機的自動識別。

聲紋識別技術發(fā)展大致可以分為3個階段：第一階段，基于模板匹配的方法。像人臉一樣，聲紋要先做注冊，再做驗證，注冊時說的內容要和驗證時是一樣的。比如注冊時說了“密碼”二字，驗證時也必須說“密碼”，這相當于驗證時被限制了，只是比較這兩個聲音像不像;第二階段，2000年開始的基于概率模型研究。如有的人說話快，有的人說話慢，聲音是有時間長度的，要把可變長度的向量變成物理程度，這是基于高斯模型概率統(tǒng)計的，這時的聲紋識別準確性會受到噪聲、干擾等影響;第三階段，2012年左右開始，深度學習給人工智能發(fā)展帶來了巨大的影響，同樣也快速推動了聲紋識別的發(fā)展。