声纹识别，也称作说话人识别，是一种通过声音判别说话人身份的技术。从直觉上来说，声纹虽然不像人脸、指纹的个体差异那样直观可见，但由于每个人的声道、口腔和鼻腔也具有个体的差异性，因此反映到声音上也具有差异性。如果说将口腔看作声音的发射器，那作为接收器的人耳生来也具备辨别声音的能力。

　　最直观的是当我们打电话给家里的时候，通过一声“喂？”就能准确地分辨出接电话的是爸妈或是兄弟姐妹，这种语音中承载的说话人身份信息的唯一性使得声纹也可以像人脸、指纹那样作为生物信息识别技术的生力军，辅助甚至替代传统的数字符号密码，在安防和个人信息加密的领域发挥重要的作用。本文意在和读者一起分享声纹识别中主流的技术以及优图实验室在声纹识别的研发积累中取得的成果，希望能让读者对于声纹识别这个糅合语音信号处理+模式识别，且理论研究与工程背景兼具的领域有一个基本又全面的认识。

　　1. 拨云见日 – 声纹的基础“姿势”

　　我们常常会用“花言巧语”来形容一个嘴皮子不靠谱的人，但其实这个成语用来形容语音信号也是十分贴切的。人脸、指纹都是基于图像的二维信号，而语音是一种时变的一维信号，语音承载的首先是语意的信息，即我们说了什么内容，在语意信息的背后才是身份信息的体现。我们讲的话可以对应到成百上千个字词信息，但是这背后却只对应了一个不变的身份。

　　图1. 说话人A对应“四”的语音波形

　　图2. 说话人B对应“四”的语音波形

　　图3. 说话人A对应“九”的语音波形

　　如果上方的时域波形不够直观的话，那下方的短时语谱图从二维图像的角度能提供更多的直观信息。似乎图1和图2的相似度更高一些，图3因为对应了不同的语意，因此和图1，2差别更明显，但实际上图1和图3来自于同一个说话人，按照需求，1和3应该被分在同一类别！ 似乎有点难，那我们干脆不要比较九了，只比较四好了…

　　因此，从语音字典是否受限的角度上来区分，声纹识别可以文本无关识别与文本相关识别。文本无关，顾名思义就是说系统对于输入的语音的内容并不做限制，识别系统应当可以克服语音中字典信息（亦或语意信息）的多变性和差异性，对语音背后的身份做出准确判断；而文本相关识别，意思是我们预先会限制语音的字典集合的规模。

　　再往细了区分又有两种常用的应用场景： 一种是固定口令，用户必须要说“天王盖地虎”，系统才会去识别声纹，你说“宝塔镇河妖”，对不起，不管你是谁，一概不行； 另一种是有限搭配的字典集合，系统会随机搭配一些数字或符号，用户需正确念出对应的内容才可识别声纹，这种随机性的引入使得文本相关识别中每一次采集到的声纹都有内容时序上的差异。

　　相较于指纹和人脸等静态的图像特征，这种数序的随机性无疑提升了安全性和防盗取能力。优图实验室自研的随机数字声纹识别方案已经应用于线上系统中，通过自主研发的人脸识别、活体检测、语音+声纹的多重验证手段，在最大程度上保障了用户的安全，杜绝了仿冒、窃取或复制用户自身生物信息的可能性.

　　图4：优图人脸核身示意图

　　文本相关识别因为限制了可选的字典信息，因此在系统复杂度和识别准确率上都要远好于文本无关的系统，只要采集相对比较短的一段语音即可实现声纹的识别；但文本无关的识别系统在某些领域也会有重要的作用，例如刑侦比对，我们可以采集到嫌疑人的一段声音，但是没法对声音对应的内容做限制，这时候文本无关识别就会派上重要的用场。

　　在过去的20年中，学界研究的重点大部分放在了更具挑战性的文本无关识别上（科学家の精神…），所取得的突破也都是围绕着文本无关的识别展开。美国国家标准技术局（National Institute of Standard and Technology，NIST）从90年代开始都会不定期地举办声纹识别评测竞赛（Speaker Recognition Evaluation， NIST SRE）[1]，也是针对文本无关的识别进行评测，吸引了学术界和工业界的诸多重量级团队参与。