對話、念讀兩種說話狀態(tài)下聲紋特征變化的實驗研究

黃頎涵，陳維娜，劉貽杰

（中國人民公安大學，北京 100038）

當前，電信網(wǎng)絡詐騙案件持續(xù)高發(fā)，作案手段通常“只聞其聲不見其人”。為了贏得受害者的信任，犯罪分子往往會扮演特定的角色，以對話的形式實施詐騙；而在語音樣本錄制時，嫌疑人往往配合程度不高，以沒有感情的念讀形式進行錄音。因此在實踐中，檢驗人員通常要面對檢材為對話語音，樣本為念讀語音的情況。

在對話和念讀兩種不同說話狀態(tài)下，個人的聲紋特征勢必會發(fā)生一定變化。Brungart[1]曾指出，說話方式的改變會對聲紋鑒定產(chǎn)生巨大的影響。但國內(nèi)針對不同說話狀態(tài)下語音的變化研究長期以來主要集中在語言學領域，如劉亞斌等[2]通過對ASCCD、CASS和CADCC這 3個語料庫的統(tǒng)計分析，歸納出朗讀語料與自然口語在音節(jié)、聲韻、副語言學和非語言學現(xiàn)象、語篇話題、話輪轉換、基頻變化以及音段音變現(xiàn)象等方面的不同之處。王茂林等[3]對漢語口語與朗讀話語陳述句音高進行了比較，結果顯示對話與朗讀話語多數(shù)語句的音高呈前高后低的走勢，不過口語對話較長語句最后一個韻律詞的音域相對較大，而朗讀話語內(nèi)部韻律詞的音域大多沒有差異。而在法庭科學領域中，不同說話狀態(tài)下個人的發(fā)音會有怎樣的變化，是否會對聲紋鑒定產(chǎn)生影響，目前還缺少相應的研究。

為應對當前電信網(wǎng)絡詐騙案件的高發(fā)態(tài)勢，利用語音證據(jù)打擊違法犯罪，亟需確定對話、念讀兩種不同情境下個人聲紋特征的變化情況，評估這些變化對聲紋鑒定的影響。本文采用聲學-語音學研究方法，對普通話語流中代表發(fā)元音時舌頭活動外圍極限的3個主要單元音[a]、[i]、[u][4-6]進行研究，系統(tǒng)分析其聽覺特征和頻譜特征這兩大類聲紋特征的變化情況，總結其變化規(guī)律，擬為檢驗人員在司法實踐中提供有價值的參考意見。

1 實驗設計

1.1 錄音對象

考慮到涉案嫌疑人大多為青年男性，故實驗邀請了20位年齡在25~35歲、普通話較為標準的男性作為錄音對象，編號Y1—Y20。錄音時，發(fā)音人身體健康，未做過咽喉部手術，無嗓音疾病、感冒、醉酒等異常癥狀。

1.2 錄制過程

1.2.1 對話語音的錄制

使用帶有指向性的麥克風，F(xiàn)ocusriteScarlett 2i4型聲卡，AdobeAudition錄音軟件（參數(shù)設置：采樣頻率16 kHz，精度16 bit，單聲道）以對話的形式，圍繞“談談你對校園內(nèi)部管理的看法”“你寒假會和誰一起去哪里旅游”這兩個話題與錄音對象進行面對面交談，其中錄音對象的有效語音時長不少于120 s，且兩個話題中有較多相同音段。將錄音按編號和說話狀態(tài)進行命名，保存為WAV格式。

1.2.2 念讀語音的錄制

使用“訊飛聽見”語音軟件將對話錄音轉寫成文本，校對文本后讓錄音對象念讀3遍，以保證念讀語音與對話語音中有大量可供比對的相同音段。將錄音按編號和說話狀態(tài)進行命名，保存為WAV格式。

1.2.3 被檢音段的選擇

使用“國音智能聲紋鑒定系統(tǒng)”打開同一人的對話錄音和念讀錄音，檢索含央低元音[a]、前高元音[i]、后高元音[u]的單元音音段；經(jīng)初步聽辨及語圖分析后，選擇個人在不同狀態(tài)下對應調(diào)音音質相同的音段，如寒[xan]、提[thi]、宿[su]等；確定每個人、每種狀態(tài)下包含3個單元音的6個特征音段為被檢音段，即每種狀態(tài)下檢測120個音段，共計檢測240個音段。

1.2.4 聲紋特征分析

首先，從聽覺上解析并判斷同一人在不同說話狀態(tài)下的發(fā)音差異；然后，通過聲紋鑒定系統(tǒng)制作語音的寬帶語圖，觀察并記錄 F1—F5共振峰走向、強度等頻譜特征的變化情況；最后，提取 F1—F5共振峰頻率值，進行聲學參數(shù)的測量和分析。

2 實驗結果

2.1 聽覺特征的定性分析

除了存在失真、升沉和掩蔽外，人耳是最好的辨音“儀器”[7-8]。運用人耳進行聽覺分析發(fā)現(xiàn)，說話狀態(tài)由對話轉為念讀時，發(fā)音人的共鳴方式并未發(fā)生明顯變化，但平均音高和音強等聽覺特征均有不同程度的變化。

從圖1可以看出，說話狀態(tài)改變后，20位錄音對象的待檢音段聽覺特征均發(fā)生了變化。其中，上述 6個音段中有 2~4個音段發(fā)生變化的共 17人，占總人數(shù)的85%。這說明在聲紋鑒定中，多數(shù)人的多數(shù)音段聽覺分析結果可能會受到說話狀態(tài)改變的影響。

圖1 說話狀態(tài)改變后聽覺分析的人數(shù)統(tǒng)計

由于個體發(fā)音具有一定的動態(tài)變化，故分別對兩種狀態(tài)下聽覺特征的穩(wěn)定性和變異性進行統(tǒng)計，結果表明：在同一狀態(tài)下的120個待檢音段中，聽感無明顯差異的有107個，占89.2%，有差異的僅有13個，占10.8%；當說話狀態(tài)改變時，聽感無差異的降至59個，占49.2%，有差異的則有61個，占50.8%，詳見表 1。根據(jù)卡方檢驗，假設說話狀態(tài)的改變不會影響聽覺分析的判斷，計算得到漸進顯著性（P值）= 0，即P<0.05，拒絕原假設。由此可知說話狀態(tài)改變會影響聽覺分析的結果。詳見表2。

表1 二分類變量相關性分析 個

表2 聽覺分析的卡方檢驗

2.2 頻譜特征的定性分析

2.2.1 共振峰走向

共振峰走向是指共振峰中心線在頻率—時間平面上的曲線形態(tài)[4]。圖2和3是同一人在兩種不同狀態(tài)下發(fā)同一音段時共振峰走向的類型圖，可以看出共振峰走向特征有些保持穩(wěn)定（圖2），有些發(fā)生了變化（圖 3）。

圖2 錄音對象Y2在不同狀態(tài)發(fā)[a]音的共振峰走向相同

圖3 Y5在不同狀態(tài)發(fā)[u]音的F3共振峰走向存在差異

對對話、念讀兩種狀態(tài)下3個單元音[a]、[i]、[u]的F1—F5走向特征進行統(tǒng)計分析發(fā)現(xiàn)，在20位錄音對象發(fā)音所產(chǎn)生的300對共振峰中，走向特征發(fā)生變化的共振峰數(shù)在1~3對的有17人，占人數(shù)的85%，如圖4所示。實驗發(fā)現(xiàn)，不同單元音的共振峰走向變化情況不盡相同，其中元音[a]走向有差異的占比最高，為15.8%，元音[u]次之，為12.3%，元音[i]最低，為 12.0%，但彼此間數(shù)值很接近，沒有顯著差異，詳見表 3。但對所有走向特征發(fā)生變化的共振峰數(shù)量進行測算后，對比走向特征保持穩(wěn)定的共振峰數(shù)量發(fā)現(xiàn)，走向無差異的共振峰數(shù)量占了絕大多數(shù)，而走向有差異的共振峰數(shù)加起來僅有40對，詳見表4。

圖4 說話狀態(tài)改變后共振峰走向變化的人數(shù)統(tǒng)計

表3 不同元音的共振峰走向變化數(shù)量統(tǒng)計表 對

表4 不同共振峰走向變化的數(shù)量統(tǒng)計表 對

2.2.2 共振峰強度

共振峰強度是各條共振峰的音強在頻譜圖上的分布特征。圖5和6是同一人在兩種狀態(tài)下發(fā)同一音段時共振峰強度的類型圖，當說話狀態(tài)改變時，共振峰強度特征既有保持穩(wěn)定的（圖 5），也有發(fā)生變化的（圖 6）。

對對話、念讀兩種狀態(tài)下 3個單元音[a]、[i]、[u]的F1—F5共振峰強度特征進行統(tǒng)計分析發(fā)現(xiàn)，在 20位錄音對象發(fā)音產(chǎn)生的所有待檢音段中，共振峰強度特征發(fā)生了不同程度的變化。表5是不同狀態(tài)下共振峰強度變化的統(tǒng)計表，可以看出，在300對待檢共振峰中有 45.3%的共振峰強度特征發(fā)生了變化，且在其相應的待檢音段中，大部分音段表現(xiàn)為1~2對共振峰強度發(fā)生變化，占58.3%；而F1—F5共振峰強度均有差異的音段有12個，占20%，如圖7所示。

圖5 Y7在不同狀態(tài)下發(fā)[a]音的共振峰強度特征穩(wěn)定

圖6 Y12在不同狀態(tài)下發(fā)[i]音的共振峰強度特征變化

表5 不同狀態(tài)下共振峰強度變化情況統(tǒng)計表 對

圖7 共振峰強度發(fā)生變化的音段數(shù)統(tǒng)計

2.3 頻譜特征的定量分析

2.3.1 第一共振峰F1

選取包含[a]、[i]、[u]3個元音的穩(wěn)定音段，各自測量其在兩種說話狀態(tài)下的 F1頻率值，發(fā)現(xiàn)不同狀態(tài)下3個元音的F1均有升有降，升降比例分別為1∶2、1∶1、1∶1。其他數(shù)值詳見表6。

表6 兩種說話狀態(tài)下單元音F1頻率變化統(tǒng)計表

由對話轉為念讀狀態(tài)后，[a]和[u]的 F1變異系數(shù)均有所減小，表示其F1特征參數(shù)的區(qū)分度略有降低，而[i]的 F1變異系數(shù)基本穩(wěn)定；同時，兩種狀態(tài)下[a]和[i]的變異系數(shù)均超過 10%，說明兩個元音的 F1在待檢音段中具有較好的差異性。此外，在兩種狀態(tài)下，3個元音在不同狀態(tài)下 F1變異系數(shù)的差值最大只有1.1%，表明說話狀態(tài)的改變對F1的影響較小。

2.3.2 第二共振峰F2

在兩種狀態(tài)下分別測量穩(wěn)定音段中[a]、[i]、[u]的F2頻率值，發(fā)現(xiàn)其升降比例分別為4∶1、3∶2、3∶4。其他數(shù)值詳見表7。

由對話狀態(tài)轉為念讀狀態(tài)后，[i]和[u]的 F2差異性都有一定增大，而[a]的 F2差異性有所減小；同時兩種狀態(tài)下3個元音的變異系數(shù)均超過10%，說明F2具有較好的區(qū)分性。此外，在兩種狀態(tài)下，3個元音F2變異系數(shù)的差值最大為 2.7%，表明說話狀態(tài)的改變對F2的影響不大。

表7 兩種說話狀態(tài)下單元音F2頻率變化統(tǒng)計表

2.3.3 第三共振峰F3

測量對話和念讀狀態(tài)下待檢音段中[a]、[i]、[u]的F3頻率值，發(fā)現(xiàn)其升降比例分別為3∶2、3∶1、5∶2。其他數(shù)值詳見表8。

由對話轉為念讀狀態(tài)后，[a]和[i]的 F3基本保持穩(wěn)定，變異系數(shù)略有增大，而[u]的F3差異性變小了，與 F1、F2相比沒有明顯的規(guī)律性。此外，在兩種狀態(tài)下，3個元音F3變異系數(shù)的差值最大為 1.7%，表明說話狀態(tài)的改變對F3的影響較小。

表8 兩種說話狀態(tài)下單元音F3頻率變化統(tǒng)計表

2.3.4 第四共振峰F4

在兩種狀態(tài)下分別測量待檢音段中[a]、[i]、[u]的F4頻率值，發(fā)現(xiàn)3個元音F4的升降比例分別為1∶1、3∶2、2∶1。其他數(shù)值詳見表9。

由對話轉為念讀狀態(tài)后，[i]和[u]的 F4差異性都有一定增大，而[a]的F4差異性變小了，這與F2的變化情況相似。此外，在兩種說話狀態(tài)下，3個元音的F4變異系數(shù)的差值最大只有 1.1%，表明說話狀態(tài)的改變對F4的頻率值測量基本沒有影響。

表9 兩種說話狀態(tài)下單元音F4頻率變化統(tǒng)計表

2.3.5 第五共振峰F5

測量對話和念讀狀態(tài)下待檢音段中[a]、[i]、[u]的F5，發(fā)現(xiàn)3個元音F5的升降比例分別為3∶1、1∶1、3∶2。其他數(shù)值詳見表10。

由對話轉為念讀狀態(tài)后，[a]和[i]的 F5差異性都有一定增大，而[u]的F5差異性變小了，這與F3的變化情況有些相似。此外，在兩種狀態(tài)下，3個元音F5變異系數(shù)的差值最大為2.5%，表明說話狀態(tài)的改變對F5的影響不大。

表10 兩種說話狀態(tài)下單元音F5頻率變化統(tǒng)計表

3 討論與分析

3.1 聽覺特征變化

由表2卡方檢驗可知，聽覺特征與說話狀態(tài)的改變具有相關性。在實驗中，當發(fā)音人的說話狀態(tài)改變后，聽感上無明顯差異的音段由89.2%降到了49.2%，即有 40.0%的音段解析聽感發(fā)生了變化；且大多數(shù)人聽覺特征存在差異的音段數(shù)占一半左右，這意味著此時聽覺分析的結果具有很大的主觀性和錯誤率。

產(chǎn)生這種情況可能是因為對話時包含的口語現(xiàn)象較多且語速較快，口語中含有大量的音變現(xiàn)象，如音素音變、增音、減音、央化、鼻化等[2]，導致聽覺分析出現(xiàn)了偏差；也可能是不同說話狀態(tài)導致舌體與下頜開度相互作用共同影響了發(fā)音[9]。此外，共鳴方式屬于生理特征，不會隨著說話狀態(tài)的變化而變化，而音高和音強的變化可能與情緒波動有關，如王英利[7,10]指出，情緒高漲時與情緒低落時可能會出現(xiàn)基頻相差一倍以上的現(xiàn)象。

3.2 頻譜特征變化

3.2.1 共振峰走向特征變化

由于聲紋圖譜具有動態(tài)性，共振峰“走向差異小且未相反”在實際分析中是一種正常情況，因此可以把共振峰“走向相同”和“走向差異小且未相反”視為同一類型。由表4可知這一類型的共振峰共有290對，占總數(shù)的 96.7%，同時“走向差異小且未相反”的共振峰占“走向有差異”共振峰數(shù)的75%。圖4顯示“走向有差異”的共振峰數(shù)在每個人中的比例均不超過33.3%，且一半的人僅有1對共振峰“走向有差異”，更不必說“走向有差異”中還包含了占 75%的“走向差異小且未相反”這種正常情況了。

通過上述分析，足以證明同一人在不同說話狀態(tài)下共振峰的走向具有很強的穩(wěn)定性。表4還顯示低次共振峰（F1、F2）不存在“走向差異大”或“走向相反”的情況，其原因可能在于低次共振峰決定語音的調(diào)音音質[5]，同一調(diào)音音質的低次共振峰走向幾乎相同。此外，實驗還發(fā)現(xiàn)共振峰的走向變化情況與元音的種類無關。

3.2.2 共振峰強度分布特征變化

綜合分析表 5和圖7可以看出，88.3%的特征音段存在一對及以上強度對比有差異的共振峰，且各次共振峰中強度有差異和無差異的數(shù)量十分接近，無明顯規(guī)律，這意味著在實踐中 F1—F5均有可能出現(xiàn)共振峰強度不同的情況。而在實驗中單個音段存在5對共振峰強度均有差異的情況大多是因為共振峰總體強度不同，這可能是發(fā)音人在說話狀態(tài)改變時出現(xiàn)音量變化、情緒波動等原因導致的。

3.2.3 共振峰頻率特征變化

通過測量分析對話和念讀兩種不同狀態(tài)下3個元音[a]、[i]、[u]的 F1—F5共振峰頻率值，發(fā)現(xiàn)說話狀態(tài)改變后，3個元音的F1—F5均表現(xiàn)出有升有降的變化，且從升降比例和均值變化中均看不出明顯的規(guī)律性，這意味著各共振峰的頻率值變化之間無相關性[11]。實驗還發(fā)現(xiàn)在說話狀態(tài)改變后，3個元音的F3、F4、F5變化范圍較 F1、F2要大。究其原因，曹洪林[5]表示，高次共振峰的變化與聲道共鳴腔的整體性以及語音發(fā)聲類型的改變有密切關系，但具體細節(jié)尚不清楚；而王英利[7]認為低次共振峰的個人穩(wěn)定性很強且頻率變化范圍較小，即 F1、F2受說話方式改變的影響較小；Suthar[12]則認為F1、F2（特別是F2）在聲紋鑒定中起到了重要作用。

就變異系數(shù)而言，說話狀態(tài)由對話轉為念讀后，3個元音的各次共振峰變異系數(shù)的變化情況不盡相同。其中，元音[i]的各次共振峰變異系數(shù)均表現(xiàn)出增長的趨勢，表明此時元音[i]各次共振峰的區(qū)分度都有所增加；[a]和[u]的低次共振峰變化情況相似，高次共振峰則表現(xiàn)出相反的趨勢。3個元音的F1—F5共振峰變異系數(shù)的變化情況詳見表 11，最大數(shù)值為 2.7%，表明說話狀態(tài)的改變對3個元音各次共振峰的頻率值雖有一定程度的影響，但這種影響并不大。

表11 對話狀態(tài)轉為念讀狀態(tài)后各共振峰變異系數(shù)的變化情況 %

對兩種不同說話狀態(tài)下3個元音的共振峰頻率值進行配對樣本T檢驗后，得到各自的P值，詳見表12。很顯然，除了[i]的 F3外，其余各條共振峰的P值均大于0.05，意味著在所有待檢樣本音段中，同一條共振峰的頻率在對話和念讀狀態(tài)下是沒有明顯差異的。綜合分析[i]的F3各項參數(shù)后，本實驗傾向于認為其P值<0.05可能是部分音段頻率的測量誤差導致的；也就是說，說話狀態(tài)的改變對3個元音各次共振峰的頻率變化影響不大。

表12 配對樣本T檢驗的P值統(tǒng)計表

4 結論

實驗發(fā)現(xiàn)，針對對話和念讀兩種說話狀態(tài)下普通話語流中的3個元音[a]、[i]、[u]，聽覺分析主要用于選取特征音段，不可作為同一認定的依據(jù)，更不應該由此產(chǎn)生先入為主的結論。頻譜特征中，共振峰強度分布變化的不確定性很大，未發(fā)現(xiàn)明顯規(guī)律，不應作為判定語音同一性的主要依據(jù)；而共振峰走向特征、共振峰頻率特征這兩項頻譜特征的個人穩(wěn)定性較強，不易受到說話狀態(tài)改變的影響，可作為語音同一性鑒定的主要依據(jù)。綜上所述，在司法鑒定實踐中，涉及對話、念讀兩種不同狀態(tài)下的語音同一認定時，應重點分析語音的頻譜特征，關注共振峰走向和頻率的變化。