信道特征对说话人识别的准确性干扰很大，如果前期学习建模过程中，能把信道特征统一建模后期在识别的时候，可以实现信道补偿，大大提升说话人识别的鲁棒性。

　　说话人识别的关键技术——模型训练DNN

　　我们还可以进一步介入深度神经网络的方式来提取统计量。

　　用深度神经网络替代一些统一背景模型，可以把音素相关信息通过语音识别的深度神经网络结合起来，采集到更多的说话人特征信息。

　　音频对比技术

　　特征提取

　　音频对比技术也是引用很早很广泛的音频检索技术。

　　音频对比主要是从音频信号中提取特征，通过特征进行比对来检索。图中提取的过程就是通过频谱最大值点来建模。

　　特征构建

　　在完成最大值点完成建模后，我们需要进行特征的构建。

　　特征构建是通过最大值点之间的距离来建模，例如两个最大值点的距离、位置信息作为一个固定的特征来完成音频特征信息的构建。

　　检索

　　有了上述音频特征之后，就可以对两个不同音频进行检索，最大相似度的地方就是相似点。这种技术最适用于录音片段的检索。

　　其它技术

　　1.语音欲处理技术：包括音频编解码、噪声消除（软件处理，硬件解决方案）、语音信号增强。

　　2.语义识别：对语音识别后的文本结果进行分析，结合上下文，来判断真是意图。

　　4.流媒体技术：在实时音频数据处理中，需要用到数据切分、数据缓存。

　　5.云平台技术：云服务架构设计、、服务模块化整合、负载均衡等。

　　6.大数据技术：海量数据存储、训练样本自动提取、模型训练等。

　　三、应用场景案例

　　音频审核数据来源可以分为实时数据和存量数据。存量数据主要是现有的语音资源，实时数据则包括正在直播的广播、电视节目等。

　　存量音频数据审核

　　场景：电信运营商诈骗电话检测

　　这是针对存量数据的解决方案，它有大量的通话录音，而且因为设备供应商的不同，会造成音频格式、音质不统一；另外，电话录音还存在噪声干扰、方言口音问题。

　　针对这类数据的检测，我们可以提供一套完整的解决方案。

　　首先把通话录音通过API接口上传到关键词检索服务器上，关键词检索服务器的API网关对它的请求进行分类处理之后，移交给后续的业务网关来分发处理。首先要进行音频预处理，音频格式转码、语音降噪等，然后把处理后的文件存储；接下来，把结果反馈给业务网关，由音频比对对已知录音片段进行检测，如果有匹配这些录音片段就反馈结果——存在诈骗信息。

　　如果经过音频比对没有发现诈骗信息，我们会调用关键词检索服务。

　　实时音频数据审核

　　场景：在线直播平台敏感信息检测

　　它的数据是实时生成的，需要用到流媒体技术，包含图像、音频两大数据源，所用到的检测技术也不一样。音频检测还分为语种、说话人确认、内容识别。累积了大量的检测数据之后，对后期的模型优化升级也提出了更高的要求。

　　首先会对直播中的音视频资源提取，分别交由图像处理模块和语音处理模块，针对图像数据我们要提取关键帧，针对语音数据，我们会把视频数据中的音频资源提取出来。

　　图像数据的处理，拿到图像数据关键帧后会定时发送到处理平台上（ 雷锋网注：可以在云端或者私有云部署）。

　　在图像识别部分要对图像预处理、图像分割，拿到有效的区域来检测，在有害信息识别检测阶段，我么会完成特征提取、目标分类、判断匹配，找出里面涉黄、涉暴的信息。如果用户有进一步的需求，例如广告识别的要求，我们可以根据二维码、数字、字符检测技术来进行广告的识别。

　　音频的数据提取之后，上传到到服务器端。音频实时处理有个局限是会占用大量的带宽，所以通常采用私有云的部署方式。