近日，全球最大的語音會(huì)議 INTERSPEECH 2020 公布了 SdSV 聲紋識(shí)別比賽成績，網(wǎng)易 AI Lab 從眾多國際頂級(jí)隊(duì)伍中脫穎而出，獲文本相關(guān)聲紋識(shí)別賽道綜合排名第一、單模型第一的雙料冠軍。彰顯了網(wǎng)易 AI Lab 在語音聲紋識(shí)別技術(shù)領(lǐng)域的領(lǐng)先地位。

本次國際聲紋識(shí)別比賽是業(yè)界非常具備權(quán)威性的賽事，參賽隊(duì)伍來自國際多家知名高校與企業(yè)，包括近兩年全球各項(xiàng)聲紋識(shí)別比賽中的“常勝將軍”：布爾諾工業(yè)大學(xué)、新加坡通信研究院、約翰霍普金斯大學(xué)等。

比賽中，網(wǎng)易 AI Lab 基于常見的X-Vector 和 PLDA 算法，創(chuàng)新地提出了一種 ASR-free 的文本相關(guān)聲紋識(shí)別算法。相比傳統(tǒng)的 Deep Speaker Embedding 方法，該算法不需要依賴語音識(shí)別，就能夠在多語言環(huán)境下，同時(shí)完成說話人和文本內(nèi)容的驗(yàn)證。

比賽采用 MinDCF（最小檢測(cè)代價(jià)）和 EER（等錯(cuò)誤率）作為評(píng)測(cè)指標(biāo)。網(wǎng)易 AI Lab 的單模型在兩個(gè)指標(biāo)均為最佳，其中 EER 達(dá)到了 1.67%，相比第二名降低了 11.6%，并遠(yuǎn)低于比賽 X-Vector 基線系統(tǒng)（EER=9.05%）。

評(píng)估算法系統(tǒng)性能時(shí)常輸出 ROC 曲線，用于描述 FAR（誤識(shí)率）與 FRR（拒識(shí)率）之間的關(guān)系。

簡單說，在聲紋識(shí)別中，誤識(shí)率就是“把不應(yīng)該匹配的聲紋當(dāng)成匹配聲紋”的比例，拒識(shí)率則是“把應(yīng)該匹配的聲紋當(dāng)成不匹配聲紋”的比例。

在對(duì)安全要求非常高的應(yīng)用場景，就會(huì)把 FAR 值設(shè)置得低一些，因?yàn)榕袛噱e(cuò)一次的代價(jià)很大，但這樣做的同時(shí)會(huì)導(dǎo)致 FRR 值上升，用戶體驗(yàn)度下降。

等錯(cuò)誤率（EER）是系統(tǒng)的誤識(shí)率（FAR）和拒識(shí)率（FRR）相等時(shí)的錯(cuò)誤率，即 ROC 曲線與 45 度角直線相交的點(diǎn)，是衡量聲紋識(shí)別算法系統(tǒng)綜合性能的重要指標(biāo)。EER 數(shù)值越小，系統(tǒng)性能越好。

聲紋識(shí)別是生物識(shí)別技術(shù)的一種，也稱為說話人識(shí)別，是一種通過聲音判別說話人身份的技術(shù)。

目前，人工智能主要有三個(gè)研究方向：視覺識(shí)別、智能語音、NLP 自然語言處理。其中，在語音識(shí)別領(lǐng)域，聲紋識(shí)別屬于相對(duì)藍(lán)海市場，解決的主要是“我是我”的身份認(rèn)證問題，多應(yīng)用在安全驗(yàn)證場景。

從近幾年的市場趨勢(shì)來看，銀行，金融服務(wù)，保險(xiǎn)已成為聲紋識(shí)別應(yīng)用的領(lǐng)導(dǎo)領(lǐng)域。

隨著技術(shù)的不斷成熟和融合，聲紋識(shí)別技術(shù)將逐漸融入日常生活，根據(jù)不同應(yīng)用場景的特點(diǎn)進(jìn)行針對(duì)性開發(fā)，將產(chǎn)生巨大的應(yīng)用價(jià)值。

而網(wǎng)易 AI Lab 聲紋識(shí)別技術(shù)其實(shí)早已被運(yùn)用于游戲場景中。除了進(jìn)行游戲身份驗(yàn)證，還能夠針對(duì)音色對(duì)用戶進(jìn)行分類、豐富玩家畫像，從而更加精準(zhǔn)地為玩家推薦志趣相投的好友、匹配實(shí)力相當(dāng)?shù)膶?duì)手，為玩家?guī)砀玫挠螒蝮w驗(yàn)。