富士通研究開發中心有限公司(FRDC)開發了一種高精度的聲紋認證技術，該技術利用深度學習方法，可以從一段很短的語音片段中甄別出說話人的身份。該技術融合了兩個深度學習引擎，一個引擎用于提取與語音內容相關的特征，而另一個引擎用于提取與說話人相關的特征，從而實現了“語音密碼”身份認證的功能，即：只有說話人本人正確說出預先設定的內容時，其身份才能被接受。利用該技術，在不超過3s的語音片段上，身份認證的錯誤率可達到2.2%左右。
該技術可廣泛應用于呼叫中心及IoT設備交互等應用中，通過快速安全的驗證用戶的身份，強化操作的安全性和便利性。
【開發背景】
聲紋識別是生物認證領域的一個重要分支。由于具有可遠程操作的獨特優勢，在金融業電話銀行業務、智能家居、刑偵安防等領域中，基于聲紋的身份認證方式已經逐漸被認可，并成為防欺詐的一個重要手段。在呼叫中心業務中，顧客常常需要輸入密碼或通過回答一系列的問題來驗證其身份。這種問詢式身份驗證過程平均需要60秒以上的時間，既影響了客服的工作效率，又給顧客帶來厭煩情緒。因此，開發一種安全有效的遠程身份驗證方式，將大幅提升呼叫中心的運營效率，降低其運營成本。
【課題】
傳統的聲紋識別技術，依靠統計學和信號處理技術從語音中提取與說話人特質相關的特征，以此實現身份認證。然而，該技術往往需要較長的語音才能鑒定說話人的身份，例如30秒時長。在金融業呼叫中心及IoT設備交互等應用中，需要快速驗證用戶的身份，傳統的聲紋識別技術顯然不能滿足這種需求。此外，傳統的認證方式不能防止利用他人的錄音來假冒身份的欺詐行為。
【開發的方法】
(1)采用深度學習技術有效降低語音時長
傳統的聲紋識別技術通常將語音分割成小片段(一般為20ms左右，稱為一幀)，然后，利用上千個高斯模型，從每一個語音片段中甄別出與說話人相關的特征。由于高斯模型數目多、維度高，因此，只有當語音數據足夠多時，這種統計方法才能獲得有效的說話人特征。如圖1所示，深度學習技術能同時處理多幀語音片段，從中學習與說話人特有的特征。由于處理的語音長度增加，因此，其包含了更多的與發音方式相關的特征，例如語調變化、停頓、音頻等。所以，這種上下文技術能大大降低身份認證所需要的語音長度。
(2)融合說話人特征與語音內容
本技術中，我們采用兩個深度學習模型，分別提取和說話人本身相關的特征以及語音內容進行身份驗證，從而實現了“語音密碼”功能，即：只有說話人本人正確說出預先設定的內容時，其身份才能被接受，如圖2所示。采用固定的語音密碼，一方面能防止利用他人的錄音來假冒身份的欺詐行為，此外，還能幫助提取更有效的說話人特征。例如：某人的語音密碼中包含了音節[a]，而此人對音節[a]的發音模式與他人不同，那么，這個特定的模式就被說話人模型所學習，成為區分此人的一個重要特征。即使他人知道了語音密碼，由于音節[a]的發音模式不同，其身份也不能被接受。
【效果】
由于充分利用了上下文信息，我們的技術只需要2-3秒的語音片段就可以甄別出說話人的身份。雖然語音長度變短了，但是，我們的技術依然可以達到較高的識別精度。在一個由200人組成的數據集上，身份認證的錯誤率可低至2.2%左右。
【將來】
FRDC今后會將本技術應用于金融保險等行業的呼叫中心，向客戶提供高效安全的身份認證解決方案。此外，FRDC還將繼續推進和擴大聲紋認證在監獄親情電話管理中的應用。
