语音识别中代价函数_【语音算法系列】声纹识别助力身份认证

声纹识别，也称为说话人识别(speaker recognition)，是一种基于语音中能表征说话人的信息，来判别说话人身份的生物特征识别技术，相比其他生理特征在远程身份认证中具有先天优势。

拨云见日--初识声纹

生活中对于声纹最直观认识就是：我们在打电话时，一声“喂？”就能分辨出接电话的人是谁。从直觉上来讲，说话人语音的差异并不如人脸、指纹的差异那么直观，但是由于每个人的声道、口腔、鼻腔都各具差异，这些个体差异可以直接反映到人们的发音上。

人脸识别和指纹识别都是基于图像的二维信号，而语音是一种时变的一维信号，其表现形态简单，但蕴含的语音信息非常丰富。以下图为例，展示的是贝壳的唤醒词“hey，小贝”的时域波形图，其承载的首先是语意信息，即唤醒词，其次它还可以包含语种(中文、英文)信息，性别信息，情感信息(高兴、悲伤……)等等，而在这成百上千的语音信息背后只对应了一个唯一不变的身份信息。

继续观察“hey，小贝”的波形特征，比较不同人说话之间的差异。图1是说话人A对应的“贝”，图2是说话人B对应的“贝”，图3是说话人A对应的“小”。

图1

图2

图3

如果左侧的语音波形图不够直观，我们也可以观察右侧对应的语音频谱图。从图片上看，似乎图1和图2更相似一点，但实际上图1和图3来自同一个人，因为图3承载了不同的语义信息，所以图3和图1，图2有了明显的差异。在语音识别中声纹特征有助于语音识别，而在声纹识别中语义信息反而会影响声纹特征的提取，因此在这句话的声纹识别中干脆不要比较“小”和“贝”，直接都比较同一个字“贝”好了，这样更容易分析出声纹的差异。所以，根据声纹识别是否比较同一批字也可以将声纹识别进行应用上的分类，将在下一节进行详细介绍。

声纹识别的应用分类

从发音是否受限上来区分，声纹识别可以分为文本无关识别与文本相关识别。

文本无关：顾名思义就是声纹识别系统对用户的输入语音内容不做限制，识别系统需要克服用户发音的多变性和差异性，从中挖掘出用户唯一的身份信息，对发音背后的身份做出准确判断。

文本相关：识别时会限制发音词典，要求说特定文本，往细了分，文本相关又可以分为文本全相关和文本半相关。文本全相关就是固定识别口令，比如在我们的唤醒系统中，只有用户说“小贝，小贝”或者“hey，小贝”，系统才会去识别声纹，而说其它词，则概不识别；而文本半相关就是将发音限制在有限的集合中，一般使用在账户登录、支付等场景，在这些种场景中，系统会随机搭配一些数字，用户需要根据字符顺序正确的念出内容才可以进行声纹判断，这种随机性的引入无疑提升了系统的安全性，保障了用户的安全，杜绝了仿冒、窃取、复制用户声纹信息的可能性。

除了从发音是否受限来区分声纹应用外还可以从识别场景上来分类声纹应用，具体可以分为以下两类：说话人确认(Speaker Verification，SV)