辨證認識話者自動識別系統

楊俊杰

（山西大學，山西 太原030006；山西警官高等專科學校，山西 太原 030021）

辨證認識話者自動識別系統

楊俊杰

（山西大學，山西 太原030006；山西警官高等專科學校，山西 太原 030021）

為了警示近年來我國司法話者識別領域中出現的一些崇外、盲目追求快速與省事的苗頭，結合話者自動識別系統的研究、應用狀況，從語音的共性與個性、話者識別結果的相對性與絕對性出發，通過分析比對話者自動識別與語音識別所用的特征參數及實現過程，辨證分析了制約話者自動識別系統準確率的根本原因。指出了話者自動識別系統尚無法達到人們對其的期望，以及適合于司法訴訟領域的話者自動識別系統的發展方向。

話者自動識別；語音識別；司法訴訟；特征參數

由于案件逐年增多，從事話者識別的司法鑒定部門從2000年左右的幾家猛增到上百家。隨著國外一些話者自動識別系統的引進，應用領域中出現了一些崇外、盲目追求快速與省事的苗頭。部分應用部門不管話者自動識別系統的成熟程度、也不管本部門的實際需要，更不顧今后跨地區數據庫建設及數據共享的實際需要，只要財政給錢，就買國外的、買貴的。豈不知，貴的未必就比便宜的好用，國外的話者識別系統未必就能適應中國語言的“水土環境”。本文結合話者自動識別系統的研究、應用狀況，從語音的共性與個性、話者識別結果的相對性與絕對性出發，通過對比話者自動識別與語音識別所用的特征參數及實現過程，來辨證分析制約話者自動識別系統準確率的根本原因，以期能對我國司法訴訟領域辨證認識話者自動識別系統起到一定的推動作用，并提出了適合于司法訴訟領域的話者自動識別系統的發展方向。

1 話者自動識別系統的研究狀況

1.1 話者自動識別系統的發展

話者自動識別的研究始于20世紀60年代。到20世紀70年代，語音信號研究進一步走向深入，線性預測技術、動態時間規整技術基本成熟。20世紀80年代，語音信號處理領域取得了新的突破，其標志之一就是概率統計模型在語音識別和話者識別中的成功應用，最典型的就是隱馬爾可夫模型（Hidden Markov Model，HMM）和高斯混合模型（Gaussian Mixture Model，GMM）。其中，高斯混合模型是目前最為流行的與文本無關的話者識別模型。80年代后期，人工神經網絡以其較強的模式識別能力、自學習、自組織能力給話者識別研究帶來了新的思想和方法[1]。

當前，國外開展話者自動識別的主要是世界上經濟比較發達的國家，如美國、俄羅斯、日本、英國、法國、德國、澳大利亞、西班牙等。國內開展話者自動識別的研究單位有清華大學、北京大學、中科院聲學所、中科院自動化所、北京陽宸電子技術公司、科大訊飛公司等，并先后得到了國家自然科學基金重大和重點項目、攀登計劃等基金的支持，取得了豐碩的研究成果。產品主要有北京陽宸電子技術公司的VS－99話者自動識別系統、科大訊飛的InterVeri系列、廣東省公安廳王英利等開發的話者自動識別系統等。其中，清華大學智能技術與系統國家重點實驗室和北京得意音通技術公司開發的“基于聲紋識別技術的身份認證系統引擎”已經成功應用于出入境證件的防偽等領域，能夠有效地應對變造和偽造護照等出入境證件的難題。該系統已于2007年1月通過了由公安部科技局主持的項目驗收及科技成果鑒定，成果“達到國際先進水平”[1]。

1.2 話者自動識別系統中特征參數的研究狀況

當前，話者自動識別系統的研究主要集中在特征參數提取與模式識別兩個方面。其中，特征參數提取就是對語音信號進行分析處理，去除與話者識別無關的冗余信息，獲得語音信號中表征人的基本特征的信息，它是實現話者自動識別最為關鍵的一步。

人之所以能夠根據語音信號將話者識別出來，是因為語音信號中包含了與說話人身份（是誰）有關的個體特定信息。有人認為，“語音信號中包含了與說話人有關的一些高級信息，如方言、遣詞用句特點、說話的習慣風格等。這些高級信息是話者識別系統最理想的特征參數。只是由于目前的技術水平還不能模仿人的這種能力，也找不出這些高級信息同語音參量之間的定量關系，所以它們還不能在自動話者識別系統中得到應用。除了上述高級信息外，還有一些低級信息。……這種能夠表征說話人的信息，是通過共振峰頻率及帶寬、平均基頻、頻譜基本形狀等這些物理可測量的參數特征表現出來的”[1]。筆者認為這種觀點存在兩個誤解：一是，不應該把語音信息分為高級信息與低級信息。這種劃分應該是受英語中supra-segmental feature （超音質特征）的影響。實際上，該supra-的含義應該是“附著在音段之上”的含義而不是“比音段高級”；二是，這些“高級信息”并不是人類區分不同說話人的主要依據，也不是話者識別系統最理想的特征參數。筆者曾對30對雙胞胎語音進行過研究，發現聲調、音強、時長等超音質特征的人間區別力遠沒有音質特征的區別力強[3]。這是因為從小到大，雙胞胎就一起在相同的語言環境中跟相同的學習對象習得語言，在說話的方言、詞匯、語法、風格等超音質方面必然高度一致。即使不是雙胞胎，同一地方的一些人在超音質方面也會高度相似。因此，超音段信息并不是區分不同說話人的“高級信息”及主要依據，也不是話者識別系統最理想的特征參數。不過可以肯定的是這些超音段信息在說話人的聽覺識別中也具有較大作用。但由于目前的技術水平還不能模仿人的這種能力，也找不出這些“高級信息”同語音參量之間的定量關系，所以它們還不能在自動話者識別系統中得到應用[1]。

目前，話者自動識別中常用的特征參數主要有：

（1）線性預測倒譜系數

線性預測倒譜系數（Linear Predictive Cepstral Coding，LPCC）是一個比較重要的特征參數，它能夠比較徹底地去除語音產生過程中的激勵信息，能較好描述語音信號的共振峰特性。

（2）Mel頻率倒譜系數

Mel頻率倒譜系數（Mel Frequency Cepstrum Coefficient，MFCC）表達了一種常用的從語音頻率到“感知頻率”的對應關系，這更符合人耳的聽覺特性。

（3）基音周期

目前的方法主要是基于傳統的語音模型，最具代表性的就是自相關法、平均幅度差函數法、線性預測分析法、倒譜法、小波變換法及在四種算法基礎上的衍生算法（如小波變換和自相關相結合），這些都屬于頻域方法的范疇；此外，還有一種更早提出的時域方法，即Gold和Rabiner提出的并行處理方法[3]。

（4）共振峰

共振峰是表征語音信號特征的基本參數之一。傳統的共振峰提取采用了倒譜分析和線性預測分析。有學者針對LPC方法中會受到合并共振峰和虛假共振峰干擾的缺點，提出了新的提取方法，即在LPC幅度譜上搜尋最大的極大值點所對應的頻率，并將它作為構成聲道參數的某一諧振腔所對應的共扼復根的角度，再通過LPC系數相頻特性的一次導數和三次導數相結合的方法求出這對共軛復根的幅度，從而確定了該諧振腔，也就得到了該諧振腔的共振峰[4]。雖有一些改善，但效果并不是很好。也有一些學者提出一種基于共振峰增強的共振峰頻率估計方法。近年來，還有人提出一些共振峰提取的新方法，例如，基于聲道激勵信號解卷積的倒譜分析法，基于逆濾波器的共振峰提取方法[5]，基于語音非線性模型的共振峰估計方法等。

表1 特征參數比較表

通過表1中四種特征參數的聲學特性、提取原理及魯棒性三方面的分析總結可以發現：楊俊杰等在話者識別的語音學方法中區別力最強的共振峰特征[6]，由于易受虛假共振峰的干擾其魯棒性卻變得較弱。因此，自動識別系統中共振峰特征的區別價值是被降低了。筆者認為這與共振峰特征的利用方法有關。在語音學方法中，話者鑒定專家是利用各個音節共振峰的細節特征，而話者自動識別系統是利用一段語音中共振峰的整體特征，正是這種整體性應用掩蓋了語音的個體特殊性；同時，話者鑒定專家可以依靠自己豐富的經驗綜合排除噪音、信道、情緒等因素的干擾，而話者自動識別系統卻容易受到這些因素的干擾。

目前，對特征的進一步研究主要包括兩個方面：一是對MFCC提取的改進，如基于平滑幅度譜包絡的MFCC 的改進參數 SMFCC[7]（Smoothing MFCC），鑒別性Mel頻率倒譜系數[8]（DMFCC）等等。二是尋找非聲道參數，如針對傳統的特征參數只反映聲道的頻譜特性，而忽略了聲門振動信息以及聲門振動對聲道的潛在影響，有學者提出了消除聲門振動對說話人聲道影響的倒譜特征[9]；韻律，詞匯等超音質特征參數逐漸被應用于話者識別系統中。但截至目前尚未找到簡單可靠的可更好應用于話者識別的語音特征參數。

1.3 話者自動識別系統正確識別率的現狀

話者識別系統的好壞是由正確識別率、訓練時間的長短、識別時間、對參考參量存儲量的要求、使用者使用的方便程度等許多因素決定的。

當前，國內外所見話者自動識別系統的正確識別率相差不多。例如，美國國家標準技術署（National Institute of Standard and Technology，簡稱 NIST） 從1996年開始到2010年一共舉行了15次話者識別評測（最大庫容約為6 000人[10]）。這些測試體現了參測系統在接近真實環境中的實際表現，被認為是國際上水平最高、最嚴謹、過程最公平、結果最權威的說話人與語音識別系統測試。受邀參加評測的均為世界頂級的專業研究開發機構。我國近年來也有一些專業機構參加。其中，安徽科大訊飛語音技術公司已連續3年成績優秀，2008年在NIST所有4個總體測試中，科大訊飛系統（iFLY）又獲得2項第1名、1項第3名，1項第5名，綜合成績排名第一的成績[11]。

同時，由清華大學智能技術與系統國家重點實驗室和北京得意音通技術公司開發的通用的基于話者自動識別（聲紋識別）技術的身份認證系統引擎，是支持跨平臺、多信道、實時處理效率高、抗干擾性好、可擴展性強、適用面廣的通用說話人身份認證應用系統產品。該系統可以根據語音波形中所蘊涵的說話人信息，自動識別確認話者身份，具有識別精度高、抗干擾能力強、適用范圍廣、安全性能強等特點。其識別性能為：實際系統的錯誤拒絕率（漏識率）為3.17%，錯誤接受率（誤識率）為4.93%，均低于5%[2]。但是，如果將兩類錯誤率加起來還是達到大約8.1%的錯誤率。更為關鍵的是這才是1200人的庫容量。隨著庫容的增加準確識別率還會下降。

2009年3月，北京軟件產品質量檢測檢驗中心對得意音通與公安部三所聯合開發的《海量語音文件的目標說話人篩選系統》進行了全面測試，系統的漏識率和誤警率分別達到了2.81%和2.81%[12]。其兩類錯誤率加起來約為5.62%。

誠然，近些年來，話者自動識別的研究取得了可喜的進步，但衡量話者自動識別系統性能的一項重要指標是在一定庫容量下的等錯誤率的高低。目前多數系統在解決海量數據、不同信道以及噪聲影響等關鍵技術方面效果還不理想，離實際應用還有一些差距[11]。中國刑事警察學院的崔景旭等曾用西班牙的話者自動識別系統BATVOX對用專家方法鑒定過的案件進行過實際測試，發現當參考數據庫里沒有能夠和待檢人嗓音匹配的參考人群時，會出現明顯失誤[13]。

同時，國內外實驗數據證明：

（1）信號通道對識別率影響最大，按照不同通道建立正常發音數據庫是必須的。

（2）偽裝發音對識別率的計算也會發生較大影響。德國馬爾堡大學聲學研究所和西班牙馬德里大學的技術人員對此做過實驗研究。他們發現，當偽裝語音沒有與之對應的偽裝語音的參考模型時，提高音調、降低音調和阻礙鼻腔發音均會出現識別率的明顯下降。可見有無與待測語音對應的參考數據庫對識別結果的影響也很大[13]。

此外，語言種類（包括方言）、言語方式（對話、獨白、朗讀、大聲、小聲、不同情緒等）、性別、話者人數等因素都會對話者自動識別的準確率產生較大的影響。例如，當在漢語方言與普通話之間進行話者自動識別時，雖然現有自動識別系統大多采用與文本無關的方式來進行，但由于方言語音系統與普通話語音系統的差異，其識別準確率要遠低于同語言之間的準確率[14]。尤其是當方言中存在嘎裂聲、假聲等特殊發聲態的時候，識別率還會更低。因此，原則上說，應該建立與它們一一對應的多種參考數據庫。但現實問題是：

（1）在某些案件中，信道、偽裝方式等情況是未知的。在這種情況下，識別時選用哪個參考語音庫則會成為主要問題。諸如語言種類、言語方式，即使是已知的，但由于其分類龐雜，要建立一一對應的參考數據庫是不現實的。由此就導致了話者自動識別的準確率問題及其結論的應用問題。正是基于上述原因，國外話者識別工作是建立在語音數據庫基礎上的專家系統，法庭不承認計算機自動識別的單一結果，必須要求有專家的鑒定報告[11]。

（2）中國語言豐富，人口眾多。既有豐富的少數民族語言，更有十大方言區及其內差異明顯的次方言區，建立一一對應的參考數據庫更是難以實現的。同時，中國擁有世界上將近19.85%[15]的人口，其數據庫容量也大的難以完成。因此，在諸如西班牙等人口僅有4 702萬，并且語音差異明顯的外國人占戶籍登記人口12.2%[16]的國家中比較好用的話者自動識別系統，則未必能適應中國語言的“水土環境”，“水土不服”導致的準確率下降也在所難免。

2 話者自動識別系統的應用狀況及原因分析

2.1 話者自動識別系統的應用現狀

由于語音具有不會遺失和忘記、不需記憶、使用方便、經濟及可擴展性良好等眾多優勢，隨著技術的發展，話者自動識別逐步被廣泛應用到軍事、商業、安全防范、司法訴訟、醫學等領域。其中，在軍事、商業、安全防范等領域上的應用較好，但截至目前，在司法訴訟領域，話者自動識別結論在世界各國均不能單獨作為法庭證據使用，僅有一些機構采用話者自動識別與語音專家結論相結合的綜合方法，二者結果相互印證（如法國國家憲兵總局話者識別實驗室等）。

2.2 話者自動識別系統應用狀況的原因分析

話者自動識別系統在軍事領域應用較好并不是因為該領域話者自動識別系統的準確率比其他領域的準確率高，而是因為在軍事上：

（1）比對人群數量有限（集中在主要指揮人員），數據庫庫容與司法訴訟的庫容相比要小的多；

（2）識別對象來自天南海北，各自的語言差異明顯；（3）其使用的原則是“寧可錯殺一千也不漏掉一個”。話者自動識別系統在商業、安防領域應用較好是因為可以進行語音與說話人的二重認證，進而增加系統的準確率。但訴訟中話者識別則比軍事、安防等領域要嚴格的多，其原則是“寧可放縱一千也不應冤枉一個”。所以要求話者識別結論要有很高的識別準確率。而目前只有綜合聽辨、視譜、言語分析等為一體的專家分析方法的鑒定結論能夠滿足這一要求。但是，從絕對和相對的辯證統一來說，也不是絕對不能在司法訴訟領域應用話者自動識別系統，而是要根據話者自動識別系統目前的研究現狀，充分利用其快速、方便、經濟及可擴展性良好等眾多優勢把其應用到重點人口、案件語音等的辨別中，從而為縮小案件偵查范圍、串并案件、專家鑒定等工作提供服務。特別是，當需要在一個人數較少的封閉人群中識別某一說話人時，話者自動識別系統則可以充分體現其高效、較為準確的價值。

3 制約話者自動識別系統識別率的原因分析

制約話者自動識別結果在法庭上不能單獨作為證據的直接原因是其準確率不高以及容易受到噪音、信道、偽裝、情緒、語言種類等因素的影響，而最根本的原因則是實現話者自動識別所依據特征參數的有效性問題。

說到話者自動識別所依據的特征參數則不得不涉及到同樣以語音信號為素材，解決機器“聽”懂人類語言的語音識別技術。二者之間即有共同點，也存在不同之處。其共同點是：二者都要通過對所接受的語音信號進行處理，提取相應的特征參數，建立相應的匹配模型，然后據此做出判斷；其區別在于，話者識別著眼于包含在語音信號中的個性特征，提取說話人的個人信息，以達到識別說話人是誰的目的，它強調不同人之間的語音差別（即雖然說話人說的語音內容相同，但系統能識別出說話人不同）；而語音識別側重于語音信號中的語義內容信息，強調不同語音信號中的共性信息（即要把不同人說的a都識別為a）。

通過對話者自動識別和語音識別實現過程的對比，筆者發現兩者的識別系統基本一樣，其系統主要包括兩個階段：訓練階段和模式識別階段[17]（見圖1）。

從系統框圖可以看出，無論是在訓練還是識別階段，都需要對語音信號進行特征提取。因此，特征提取是話者識別系統中的重要組成部分。對此，筆者對話者自動識別和語音識別中所用到的主要特征參數進行了比較、分析[18]，結果見表2。

表2 話者自動識別和語音識別所用特征參數對比表

通過以上比較可以發現，識別目的截然不同的話者自動識別和語音識別所采用的特征參數竟然大體相同。由此引出了一個重要問題：對于每一種特征參數，其在話者識別和語音識別中的有效性（或價值）是否相同，即其包含的語義信息和說話人的個性信息是否相同？對此，有學者作了類似的分析，他們提出了一種語音特征參數中語義和個性特征子分量分析與有效性評價的4S方法，對語義和個性特征的成份比例進行分析，并通過量化指標來評判特征參數對語音識別和話者識別的有效性。對常用特征參數LPC、LPCC和MFCC進行的4S分析表明：這些參數表達語義信息比說話人個性特征信息更加充分，即：與話者識別相比較，它們顯然更適合于語音識別的應用[19]。因此，如何從語音信號中提取更能體現說話人的個性信息的特征將是今后話者識別應用走向市場的一大關鍵。

4 結論

經過前面的辨證分析、比較，得到以下認識：

（1）現有話者自動識別所利用的特征參量更適合于進行語音識別，需要繼續尋找更能代表個人特定性的語音特征。

（2）我國話者自動識別水平近年來已經接近國外水平，并非國外的產品性能就肯定好。從全局的角度出發，我國更應該建立自己的話者自動識別語音庫的標準及語音庫，以滿足各地犯罪信息共享的需求。

（3）在國外某些國家應用較好的話者識別系統難以適應中國的語言環境，無法達到預期的正識率。

（4）話者自動識別具有廣闊的應用前景，但由于其現有的識別水平及影響因素，其應該更多地被應用到軍事、安防等領域以及用來縮小偵查范圍、串并案件的偵查初期，而不是單獨為法庭提供證據。因此，企圖只靠話者自動識別系統進行說話人鑒定的追求快速、省事的想法是不現實的。

（5）話者識別工作應該是建立在語音數據庫基礎上的專家系統。由于話者自動識別的局限性，法庭不承認計算機自動識別的結果，必須要求有專家的鑒定報告。所以專家方法和話者自動識別相結合的半自動綜合識別方法，是話者識別的最終發展趨勢。

致謝

本文是2012年度國家社會科學青年基金項目（編號：12CYY015）的調研性成果之一，曾在第十屆中國語音學學術會議上宣讀并得到王英利高級工程師的點評，一并感謝。

[1]于明剛.噪聲環境下話者識別研究[D].哈爾濱工程大學碩士論文，2008.

[2]清華大學.通用的基于聲紋識別技術的身份認證系統引擎[EB/OL].http：//www.tsinghua.e， 2011-11-16/2012-09-10.

[3]NOLL A M.Cepstrum pitch determination[J].Acoust.Soc.Am， 1967，（47）： 293-309.

[4]何峰，陳曉清，李國鎖，等.一種新的語音信號共振峰提取的算法[J].信號處理，2007，（4）：618－621.

[5]Watanabe A.Formant estimation method using inverse-filter control.J.IEEE Transactions on Speech and Audio Processing[J].2001，9（4）：317-326.

[6]楊俊杰，崔效義，李敬陽，等.常用語音特性在鑒別雙胞胎語中的價值研究[J].中國人民公安大學學報：自然科學版，2006，（3）：21－24.

[7]張偉偉，楊鼎才.用于話者識別的MFCC的改進算法[J].電子測量技術，2009，（8）：118－121.

[8]王剛，鄭方.電話信道下應用DMFCC進行話者識別[J].清華大學學報：自然科學版，2009，（10）：1597-1600.

[9]楊璞.基于聲門特征的話者識別研究[D].浙江大學碩士學位論文，2005.

[10]National Institute of Standards and Technology.2010 NIST_E-valuation Plan[EB/OL].http：//www.itl.nist.gov/iad/mig/tests/sre/2010/index.html，2011-11-16/2012-01-20.

[11]李敬陽.國內外聲紋鑒定發展概述 [J].刑事技術，2009，（S2）：51－55.

[12]得意音通技術.北京軟件產品質量檢測檢驗中心對《海量語音文件的目標說話人篩選系統》進行了全面測試[EB/OL].http：//www.d-ear.com/newsview.asp?id=214&sj=2009， 2011-11-22/2012-02-20.

[13]崔景旭，洪韓，王欣，等.話者自動識別系統及其應用[C].第九屆中國語音學學術會議論文集，2010.

[14]趙靖，龔衛國，楊利平.基于GMM的普通話和四川方言獨立文本的說話人確認[J].計算機應用，2008，（3）：792－794.

[15]中國人口占世界人口比重下降[EB/OL].http：//news.163.com/11/0712/11/78OPF20U00014AED.html，2012-11-6/2012-02-20.

[16]西班牙人口情況 [EB/0L].http：//es.mofcom.gov.cn/aarticle/ddgk/zwrenkou/201111/20111107820876.html，2012-11-6/2012-03-12.

[17]李軼.說話人識別系統研究[D].浙江大學碩士學位論文，2003.

[18]劉雅琴，智愛娟.幾種語音識別特征參數的研究[J].計算機技術與發展，2009，（12）：67-70.

[19]俞一彪，許允喜，芮賢義.一種語音特征參數子分量分析與有效性評價的新方法[J].信號處理，2007，（2）：188－191.

Understand the Automatic Speaker Identification System Dialectically

YANG Jun-jie
（Shanxi University， Taiyuan 030006， China； Shanxi Police College， Taiyuan 030021， China）

To warn the abuse of foreign automatic speaker identification system to pursue speed and convenience in recent years，the status of the study and application of automatic speaker identification system was introduced.Based on the commonness and individuality of the voice and the relativity and absoluteness of speaker identification results，this paper compares automatic speaker identification system and automatic speech recognition system in characteristic parameters and process，and analyzes the fundamental reasons of the restricted accuracy of automatic speaker identification system.As a conclusion，the automatic speaker identification system is still unable to achieve what is desired.The development direction of automatic speaker identification in forensic science was put forward.

automatic speaker identification； speech recognition； forensic science； characteristic parameter.

DF793.2

A

10.3969/j.issn.1671-2072.2013.02.017

1671-2072-（2013）02-0071-05

2012-11-19

2012年度國家社會科學青年基金項目（12CYY015）

楊俊杰（1973—）男，講師，碩士，主要從聲像資料、漢語方言學研究。E-mail：545668179@qq.com。

施少培）

鑒定實踐Forensic Practice