AI在智慧城市建設(shè)中的新應(yīng)用

□ 文/徐建明

智慧城市的發(fā)展中，視覺計算、海量視頻監(jiān)控的廣泛應(yīng)用，催生了AI人工智能搶先在智慧城市建設(shè)中公共安全領(lǐng)域形成全閉環(huán)，作為人工智能的先鋒，生物識別技術(shù)由于技術(shù)研究的同源性和中國智慧城市的廣泛樣本量，也使得AI新貴企業(yè)從技術(shù)研究同源的師承脈絡(luò)中不斷演進(jìn)，形成了人臉識別等生物識別技術(shù)的繁榮應(yīng)用，而作為語音識別細(xì)分領(lǐng)域中的聲紋識別也逐漸在智慧城市應(yīng)用中扮演了人機(jī)交互的重要橋梁，并初步形成了和人臉識別一樣開拓出智慧城市新市場，作為中國智慧城市的建設(shè)理念的踐行者，行業(yè)內(nèi)已經(jīng)形成并達(dá)成智慧城市建設(shè)的三步并行的路線：“公共安全立體化、行業(yè)管理效率化、民生服務(wù)智慧化”。我們今天從AI賦能下的智慧城市深度應(yīng)用中選取新貴垂直領(lǐng)域的AI賦能應(yīng)用——聲紋識別來闡述智慧城市中的AI賦能新應(yīng)用的現(xiàn)狀和發(fā)展應(yīng)用。

聲紋識別在公共安全領(lǐng)域的應(yīng)用現(xiàn)狀

生物特征是指每個個體所獨有的、可以通過技術(shù)有效測量、甄別、鑒定與驗證的某類生理上的特征或行為上的方式。從生物特征的來源進(jìn)行區(qū)分，可初步分為兩大類，一是生理特征，二是行為特征。生理特征通常指的是人臉、掌靜脈、指紋、聲紋、虹膜等；行為特征通常指的是筆跡、步態(tài)等。

生物特征識別技術(shù)就是利用各類傳感與采集技術(shù)、深度學(xué)習(xí)等人工智能技術(shù)，通過對個人生理特征和行為特征進(jìn)行計算，建立數(shù)學(xué)模型，并進(jìn)行識別與區(qū)分的技術(shù)。

近年來，隨著智慧城市建設(shè)的不斷加速、以及人工智能技術(shù)的深度發(fā)展，越來越多的領(lǐng)域?qū)ι锾卣髯R別技術(shù)產(chǎn)生了應(yīng)用需求。而在各類生物特征識別技術(shù)中，智能語音類技術(shù)是應(yīng)用得最廣泛的技術(shù)之一。

智能語音類技術(shù)從應(yīng)用廣度來分，首屈一指的當(dāng)屬語音識別與聲紋識別兩大類。其中，語音識別技術(shù)主要是以計算機(jī)來識別語音描述的內(nèi)容，并自動將語音內(nèi)容轉(zhuǎn)換為文字；聲紋識別技術(shù)是通過對聲音頻譜等特征的全面分析，建立計算機(jī)對聲音特征的描述，并基于此分辨聲音的發(fā)出者的身份。兩者原理上類似，都是通過對采集到的語音信號進(jìn)行分析和處理，提取相應(yīng)的特征或建立相應(yīng)的模型，然后據(jù)此做出判斷。但二者的根本目的，提取的特征、建立的模型是不一樣的。

語音識別技術(shù)當(dāng)前已廣泛的運用在智慧城市的方方面面，例如地鐵站的智能語音售票、運營商或銀行的智能語音客服、智能手機(jī)上的語音輸入法、各類語音助理與智能音箱等等，都運用了語音識別技術(shù)。

而聲紋識別的應(yīng)用領(lǐng)域則更加專業(yè)與細(xì)分，主要集中在公安、司法等需要利用聲紋鑒定人員身份的領(lǐng)域中?，F(xiàn)代語音同一認(rèn)定（聲紋鑒定）技術(shù)是隨著語圖儀（聲譜儀）的發(fā)明而發(fā)展起來的。20世紀(jì)40年代初期，美國貝爾實驗室發(fā)明了聲譜儀，這個儀器是一個動態(tài)聲波分析儀，通過對語音信號的時間、頻率和強(qiáng)度（t-f-a）三種參數(shù)的實時分析，產(chǎn)生一個連續(xù)可視的語音頻譜。當(dāng)時在貝爾實驗室工作的物理學(xué)家波特（Potter）等人開始研究利用聲譜儀來分析語音。

最早進(jìn)行語音同一認(rèn)定（聲紋識別的主要分支）研究的是美國的克斯塔（L·G·Kersta）。他于1962年研究并發(fā)表了名為《聲紋鑒定》（Voiceprint Identification）的研究報告。他對123名健康美國人的“I，You，It”等聲樣的25000個聲紋圖進(jìn)行了50000多項分析，實驗準(zhǔn)確率為97%-99.65%。

而在我國，早在上世紀(jì)80年代末就已由上世紀(jì)八十年代末，中國刑警學(xué)院文檢系和公安部物證鑒定中心先后引進(jìn)相關(guān)儀器設(shè)備并分別建立了聲紋鑒定實驗室，并進(jìn)一步成立了聲紋鑒定研究課題組，開展了聲紋鑒定技術(shù)的研究工作。到現(xiàn)在，在全國各地公安機(jī)關(guān)的多年共同努力下，針對漢語這一世界最大語種獨有的特點與規(guī)律，已然總結(jié)出一套科學(xué)的鑒定與甄別方法，聲紋識別已成為公共安全領(lǐng)域鑒定人員身份的主要手段之一。

聲紋識別在公共安全領(lǐng)域的應(yīng)用特征與變化

傳統(tǒng)的聲紋識別的主要應(yīng)用一是在民事糾紛、刑事案件等訴訟環(huán)節(jié)，針對各類錄音文件鑒定其身份，是各類案件的偵辦、審理環(huán)節(jié)確認(rèn)嫌疑人身份及證據(jù)真?zhèn)蔚闹饕侄沃唬欢菓?yīng)用在智能手機(jī)助理、智能音箱、智能客服等生活服務(wù)場景，用于識別用戶身份，并提供針對性的服務(wù)。

在公共安全領(lǐng)域，隨著互聯(lián)網(wǎng)的高速發(fā)展，新型犯罪手段層出不窮，非接觸式、跨地域、大型組織、高度分工等特點，均是新型犯罪的主要特點，以最為典型的電信詐騙為例，犯罪團(tuán)伙往往是多層級單線聯(lián)系、跨省甚至跨國作案、與被害人零接觸。這類案件靠傳統(tǒng)的接觸式偵查手段往往難以為繼，需要更高實時性的技術(shù)手段予以支持，是對案件偵破工作提出的新挑戰(zhàn)，也正是AI賦能下的聲紋識別技術(shù)所擅長的領(lǐng)域。

在這種背景下，聲紋識別在公共安全領(lǐng)域的應(yīng)用特征與變化主要有如下幾點：

由離線應(yīng)用向在線實時應(yīng)用轉(zhuǎn)變

近年來，隨著人工智能，深度學(xué)習(xí)，大數(shù)據(jù)分析等技術(shù)的發(fā)展，配合國家現(xiàn)有的指紋庫和人臉庫等成熟的生物特征庫，業(yè)內(nèi)已經(jīng)逐步研發(fā)出不少切合實戰(zhàn)需求的聲紋應(yīng)用系統(tǒng)。

其主要的應(yīng)用場景是為非接觸性犯罪案件偵破提供高效準(zhǔn)確的偵查手段——在電信詐騙、恐嚇勒索等虛擬空間的犯罪案件里，犯罪分子與被害人接觸會比較少，所以聲音成為了最主要的破案線索，這類場景需要在線對特定場所采集的聲音，與涉詐騙人員庫等專題庫進(jìn)行實時比對，以期及時發(fā)現(xiàn)身份可疑人員，提高偵查效能。

由1對1驗證向大規(guī)模數(shù)據(jù)比對轉(zhuǎn)變

傳統(tǒng)的聲紋識別應(yīng)用場景多為認(rèn)定，即判斷指定的聲音是否由某個特定的人發(fā)出的，然而隨著大數(shù)據(jù)、深度學(xué)習(xí)技術(shù)的發(fā)展，技術(shù)上已能支撐大體量聲紋庫的建立，并實現(xiàn)聲紋數(shù)據(jù)的大規(guī)模檢索與比對，協(xié)助公安機(jī)關(guān)快速確認(rèn)掌握的聲音線索的身份。

由單一聲紋應(yīng)用向多維數(shù)據(jù)碰撞比對轉(zhuǎn)變

聲紋識別的應(yīng)用已為公安打擊虛擬空間犯罪提供了一種行之有效的技術(shù)手段，可進(jìn)一步配合已有的人臉識別、指紋識別等生物特征識別技術(shù)，現(xiàn)實空間和虛擬空間相結(jié)合，更全面的刻畫犯罪嫌疑人的全息畫像，對犯罪行為進(jìn)行多角度、多方位的監(jiān)控和打擊，保衛(wèi)國家和社會的安全。

聲紋識別在公共安全領(lǐng)域的應(yīng)用瓶頸與問題

聲紋識別在公共安全領(lǐng)域的主要應(yīng)用瓶頸與問題如下：

語音的時變性對聲紋識別的影響

從根本上說，語音的個體穩(wěn)定性主要是由語音的生理基礎(chǔ)決定的。當(dāng)一個人的發(fā)音器官發(fā)育成熟以后，他的呼吸器官、喉系統(tǒng)和共鳴腔的生理結(jié)構(gòu)及其機(jī)能就進(jìn)入一個相對穩(wěn)定的狀態(tài)，這就是聲紋識別的生理基礎(chǔ)。但是，聲音的穩(wěn)定性較人臉、指紋等生物特征相比，其穩(wěn)定性相對較差，變聲期、病變、外傷、錄音條件不同、言語環(huán)境不同等因素都會使一個人的聲音產(chǎn)生變化，使其穩(wěn)定性減弱，而一種生物特征的廣泛應(yīng)用卻要求在穩(wěn)定性、差異性和反映性上均達(dá)到較高水平。因此，在公共安全這類嚴(yán)謹(jǐn)?shù)膽?yīng)用領(lǐng)域，語音特征通常是作為認(rèn)定嫌疑人（或當(dāng)事人）的參考依據(jù)（特殊情況下可作為傾向認(rèn)定的依據(jù)），但通常不能輕易作為否定依據(jù)。只有在特征的特異性較強(qiáng)且穩(wěn)定并確認(rèn)無偽裝變化的情況下，才可直接用來否定嫌疑人（或當(dāng)事人）。

跨信道采集對聲紋識別的影響

聲音的來源渠道多種多樣，例如錄音筆、電話、VOIP、拾音器等等，不同的采集渠道也會采用不同的音頻編解碼模式，模數(shù)轉(zhuǎn)換的過程或多或少會造成聲音的損傷。這就對聲紋識別時候的特征建模提出了更高的要求，需要綜合考慮并屏蔽因采集設(shè)備、傳輸信道、環(huán)境噪音、錄音回放、聲音模仿、時間跨度、采樣時長等各種環(huán)境因素造成的影響，從當(dāng)前業(yè)界實踐來看，聲紋識別也和其他識別一樣，也向著深度學(xué)習(xí)的方向發(fā)展。

錄音攻擊、TTS等技術(shù)對聲紋識別的影響

聲音是最容易被偽造的生物特征之一，在當(dāng)前技術(shù)水平下，錄音剪輯、TTS等技術(shù)手段形成的錄音片段，幾乎可達(dá)到以假亂真的程度，可見，在聲紋識別時候必須考慮到上述因素。

在應(yīng)用時，業(yè)界通常會引入防錄音攻擊算法、活體檢測算法等技術(shù)，用以屏蔽技術(shù)手段對識別準(zhǔn)確性的干擾。

構(gòu)建聲紋識別大數(shù)據(jù)平臺，實現(xiàn)公共安全領(lǐng)域深度應(yīng)用

應(yīng)用需求

當(dāng)前，公安機(jī)關(guān)針對各類虛擬空間犯罪（例如電信詐騙、恐嚇勒索等）的偵破，除了依靠追蹤銀行流水與電信話單外，有針對性的通過各種技術(shù)手段獲取的通話錄音、監(jiān)聽錄音等音頻線索也是重要的破案途徑，但是單純通過人工監(jiān)聽與甄別，既難以準(zhǔn)確識別出犯罪嫌疑人，也難以將犯罪嫌疑人歷史積案進(jìn)行串并，公安機(jī)關(guān)迫切需要新的技術(shù)手段，以在在海量音頻中挖掘線索、識別嫌疑人身份，甚至進(jìn)一步建立事前主動出擊、主動預(yù)防的能力。

應(yīng)用目標(biāo)

聲紋識別大數(shù)據(jù)平臺的建設(shè)，為上述問題的有效解決提供了一種新的技術(shù)手段。

聲紋識別大數(shù)據(jù)平臺是參照非接觸式犯罪打擊的業(yè)務(wù)需求與業(yè)務(wù)流程，專門針對多源異構(gòu)的海量音頻數(shù)據(jù)開發(fā)的大數(shù)據(jù)實戰(zhàn)應(yīng)用平臺，通過實現(xiàn)聲音數(shù)據(jù)的匯聚接入、優(yōu)化治理、建庫比對、聲紋核驗、聲紋聚類等一系列功能，可滿足聲紋實戰(zhàn)中線索排查、身份核驗、類案串并等多方面應(yīng)用需求，為更快的破大案，更多的破小案服務(wù)。

總體架構(gòu)

典型的聲紋識別大數(shù)據(jù)平臺架構(gòu)如上圖所示，分為數(shù)據(jù)源、數(shù)據(jù)處理層、支撐服務(wù)層與應(yīng)用層四部分。

在數(shù)據(jù)源的接入上，平臺支持從網(wǎng)絡(luò)通信、電話信道、錄音設(shè)備和聲紋采集設(shè)備等多種類型的數(shù)據(jù)源接入實時音頻流或離線文件，最大限度擴(kuò)展聲音的來源。

在數(shù)據(jù)處理層，平臺需對接入的各種類型音頻文件進(jìn)行匯聚與處理，包括數(shù)據(jù)接入網(wǎng)關(guān)、數(shù)據(jù)轉(zhuǎn)儲網(wǎng)關(guān)、算法引擎、管理控制臺4部分。在此層次，需對接入的各類數(shù)據(jù)進(jìn)行質(zhì)量檢測，過濾不符合聲紋識別標(biāo)準(zhǔn)的低質(zhì)量數(shù)據(jù)，對符合聲紋識別標(biāo)準(zhǔn)的數(shù)據(jù)進(jìn)行聲紋特征提取，將非結(jié)構(gòu)化數(shù)據(jù)變?yōu)橛嬎銠C(jī)可識別的結(jié)構(gòu)化數(shù)據(jù)。

在支撐服務(wù)層，主要是通過接入數(shù)據(jù)處理層的數(shù)據(jù)，為上層應(yīng)用提供可擴(kuò)展的聲紋布控服務(wù)、聲紋靜態(tài)大庫檢索服務(wù)、聲紋動態(tài)庫檢索服務(wù)、消息服務(wù)、文件存儲、高速緩存服務(wù)、關(guān)系型數(shù)據(jù)庫、大數(shù)據(jù)分析、彈性搜索、地圖服務(wù)等一系列支撐服務(wù)與應(yīng)用服務(wù)，支持各類聲紋業(yè)務(wù)應(yīng)用及大數(shù)據(jù)計算需要。

聲紋識別大數(shù)據(jù)平臺的典型部署架構(gòu)如下圖所示，包括數(shù)據(jù)接入網(wǎng)關(guān)服務(wù)器、特征提取主機(jī)、聲紋動態(tài)布控服務(wù)器、聲紋靜態(tài)大庫檢索服務(wù)器、聲紋動態(tài)檢索服務(wù)、大數(shù)據(jù)服務(wù)器及應(yīng)用支撐服務(wù)器。根據(jù)公安機(jī)關(guān)的實戰(zhàn)需求，平臺還需支持單網(wǎng)與雙網(wǎng)部署模式。

平臺功能與典型應(yīng)用場景

聲紋識別大數(shù)據(jù)平臺具備聲音數(shù)據(jù)的匯聚接入、優(yōu)化治理、建庫比對、聲紋核驗、聲紋聚類等一系列功能，在公安機(jī)關(guān)的非接觸式案件的偵查與研判上，具有廣泛的應(yīng)用場景，比較典型的應(yīng)用模式如下：

線索排查場景。通過平臺的聲紋檢索功能，可在海量聲紋庫中檢索與輸入的聲音信息為同一身份的記錄。該功能需要公安機(jī)關(guān)建立專題聲紋庫（如涉詐人員聲紋庫等），并根據(jù)業(yè)務(wù)需求進(jìn)行標(biāo)簽標(biāo)注，當(dāng)獲取到新的聲紋線索時，通過聲紋檢索功能可快速確認(rèn)發(fā)出聲音的人員的身份。

身份核驗場景。通過平臺的聲紋1：1核驗功能，可實現(xiàn)基于聲音的身份驗證與鑒定，即通過對輸入的2個聲音來源進(jìn)行特征提取，并比對兩個特征的相似度，當(dāng)相似度大于一定的閾值時，可判定2段聲音為同一人發(fā)出。為進(jìn)一步提高準(zhǔn)確性，可引入多廠家、多版本的聲紋識別算法，當(dāng)多個算法均認(rèn)為是同一人時，即可較為準(zhǔn)確的判定。

該場景可有效協(xié)助公安機(jī)關(guān)在審訊時候快速認(rèn)定犯罪嫌疑人的聲音。

類案串并場景。平臺支持針對每個案件建立檔案，存儲涉案聲紋線索信息，并定期自動將涉案聲紋進(jìn)行比對，若多個涉案聲紋記錄由算法判定為同一人所發(fā)出，則可進(jìn)行類案串并。該功能可協(xié)助公安機(jī)關(guān)擴(kuò)大戰(zhàn)果，提升打擊效能。

聲紋布控告警場景。在能獲取實時聲音數(shù)據(jù)的應(yīng)用場景中，可進(jìn)一步實現(xiàn)基于聲音信息的布控告警功能，協(xié)助公安機(jī)關(guān)快速預(yù)警目標(biāo)人員聲音出現(xiàn)，以及時做出響應(yīng)。

人員聲紋畫像場景。利用平臺的聲紋聚類功能，可實現(xiàn)基于聲音信息的重點關(guān)注人員一人一檔。該檔案一方面可協(xié)助公安機(jī)關(guān)不斷積累重點關(guān)注人員的聲音信息，另一方面可利用大數(shù)據(jù)技術(shù)，結(jié)合聲音采集的時間、地點等信息，進(jìn)一步分析挖掘該人員的行為特征與業(yè)務(wù)特征，實現(xiàn)聲紋大數(shù)據(jù)畫像。

聲紋識別在公共安全領(lǐng)域的應(yīng)用前景與趨勢

聲紋識別具有采集簡便、識別準(zhǔn)確、難以偽造等眾多優(yōu)勢，且對用戶干涉較少，更易嵌入各類應(yīng)用場景中得到接受。在全球范圍內(nèi)，聲紋識別技術(shù)正廣泛應(yīng)用于身份驗證、記錄比對等場景。

隨著技術(shù)的發(fā)展與算力的提升，如今的安全主管部門也在更多地引入這一技術(shù)進(jìn)行犯罪活動的打擊，例如，在高鐵站、火車站、長途汽車站、飛機(jī)場等一場三站場景，通過聲紋識別技術(shù)、結(jié)合人臉等生物特征識別技術(shù)，對乘客身份進(jìn)行精準(zhǔn)識別，可以有效實現(xiàn)人員管控；通過聲紋布控告警等技術(shù)對非接觸式犯罪進(jìn)行遠(yuǎn)程網(wǎng)上偵查與打擊，也能更有效的提升安全主管部門的作戰(zhàn)能力。

結(jié)語

時至今日，聲紋識別技術(shù)已經(jīng)從實驗室逐步走向各類實際應(yīng)用場景中，處于大規(guī)模爆發(fā)性應(yīng)用的前期，隨著聲紋識別的準(zhǔn)確率繼續(xù)增高、使用限制的不斷減少，因其低侵入、無接觸等特點，在將來必定會在更多行業(yè)、更多場景中得到更為廣泛的應(yīng)用。