電影中，伊森.亨特重復播放由若干單詞組成的一小段英國首相的錄音，就輕松騙過了語音識別系統(tǒng)。看似輕松的破解過程，只需要一臺錄音機就能完成的攻擊手段，讓“語音識別技術(shù)”在黑科技云集的科幻大片中并不那么耀眼。
日常生活中，我們也有接觸到各種形式的語音識別技術(shù)，用來取代鍵盤輸入，或者變身成Siri一般的智能小助手，與人類進行簡單的對話。
語音識別技術(shù)，到底在研究什么?能多大程度改變我們的生活?
我為各位一一道來。
語音識別的特點
語音識別，是一種結(jié)合了生理和行為兩種成分的生物認證技術(shù)。氣管、鼻腔、咽喉、舌頭等組織的相互配合，影響了聲音的音調(diào)、音強和音色，從而形成了每個人聲音的獨特性，這構(gòu)成語音的生理基礎(chǔ);而每個人不同的說話內(nèi)容，則構(gòu)成了語音的行為基礎(chǔ)。
因此，語音識別是一種很有趣的過程，既要知道你在說什么內(nèi)容(行為特征)，又要知道你在以什么樣的方式說(生理特征)。
語音識別，是成本最低的生物識別技術(shù)。
因為不需要依賴昂貴的成像芯片和光學鏡頭，也沒有臺式PC和移動終端的限制，只需要一枚麥克風即可采集語音，因此在各種身份認證產(chǎn)品中都可以集成該功能。用戶對著麥克風說出特定的短語，系統(tǒng)將用戶的語音樣本過濾后，與先前存儲的語音樣本比較，達到一定的近似度閾值，用戶就通過了身份認證。
語音識別的應用
語音識別技術(shù)，分為“語義識別”和“語音身份識別”兩大類應用模式。
語義識別，也被稱作話語識別、非特定人語音識別，其目的在于理解話語中的單詞和句子——也就是話語中的內(nèi)容。
由于幾乎可以被任何人使用，語義識別技術(shù)的應用場景非常多樣化，被集成到各種設(shè)備上，已經(jīng)成為智能硬件發(fā)展的主流趨勢。
手機的進化歷史，就是文本輸入技術(shù)的發(fā)展史，也是語義識別技術(shù)的革命史。最早的功能手機屏幕很小，帶有26鍵或9鍵實體鍵盤;隨著智能手機發(fā)展，實體按鍵越來越少，甚至整合進入屏幕成為虛擬鍵盤。實體鍵消失的大趨勢，讓文本輸入技術(shù)發(fā)生著改變，而手環(huán)、手表、眼鏡等小屏或無屏可穿戴式設(shè)備的興起，人們不得不尋找比鍵盤更有效的文本輸入方式。于是，語音識別技術(shù)，成為文本輸入的最輕松、最自然方式。
正如Siri為我們展示的那樣，我們已經(jīng)習慣于通過語音撥打電話、打開應用、查詢天氣，也能不動一根手指，用語音輸入法發(fā)送消息，但這些語義應用，依然借助了屏幕這一載體。未來，智能設(shè)備幾乎是沒有屏幕可以觸摸，最終只能通過語音這種采集成本低、容易集成的方式來實現(xiàn)人機交互。
語音身份識別，也稱說話者識別，將語音作為一種穩(wěn)定的生物特征來識別說話者的身份。
早期的身份識別精度很低，缺乏特定的語音處理和特征提取技術(shù)，只能判斷一個人的種族。二戰(zhàn)時，美日雙方經(jīng)常夜戰(zhàn)，黑暗中無法判斷對方是敵是友。美國人根據(jù) “日本人對l，r發(fā)音不準確”這一聲音特性，制定了一個口令“lollapalooza(意為：非常出色的人)”，一旦對方發(fā)音不準確，就直接開火。
今天的語音識別精度，已經(jīng)可以判斷一個人的身份。用戶對著麥克風說出特定的短語，系統(tǒng)將用戶的語音樣本進行背景噪音過濾、特征提取，再與先前存儲的語音樣本比較，達到一定的近似度閾值，用戶就通過了身份認證。
(語音身份識別的流程)
語音識別的缺陷
語音的采集成本雖然低，但在身份識別中并未大規(guī)模應用。目前看來，主要是因為語音識別面臨著不易提取、不夠穩(wěn)定、容易模仿三大問題。
缺乏多樣性和噪音影響，是語音特征不易提取的兩大原因。
語音是一維線性特征，與指紋、人臉、虹膜等二維圖像特征相比，信息量更少，精度也更低。此外，語音識別的性能，還會受到外界環(huán)境的影響，如同時有多個說話者，或者環(huán)境噪音嘈雜，也會導致語音識別精度降低。
語音會受時間、年齡、身體狀況影響而發(fā)生改變，是導致語音特征不穩(wěn)定的重要原因。
每個人在青春期都會經(jīng)歷“變聲”的過程，常見的感冒、鼻塞、咽喉炎、聲帶疲勞都會影響語音識別的性能。因此，語音識別的穩(wěn)定性并不好。
語音是一種較易模仿的生物特征，如果口技演員改行做聲音竊取，破解成功率將非常驚人。錄音是攻破語音系統(tǒng)的另一種常用方法，“諜5”對此有準確描繪：伊森· 亨特只用一臺錄音機就輕松竊取到英國首相的語音。為防止錄音攻擊，一些語音識別系統(tǒng)從較小的詞匯表中隨機產(chǎn)生一個變化的短語讓用戶朗讀。這種方式能夠阻擋一般的攻擊者，但經(jīng)驗豐富和準備充分的老手僅需多花一點時間而已。
綜上所述，不易提取、不夠穩(wěn)定、容易模仿這三大問題困擾著語音識別技術(shù)，難道它注定只能在低端徘徊，無法滿足更高安全等級、更高識別精度的要求嗎?
魚和熊掌：價格最低 & 性能最好
語音用于身份識別，無法回避識別精度過低的先天缺陷，但是將語音和其他高精確度、高穩(wěn)定性的生物特征相結(jié)合，既保留語音的低成本優(yōu)勢，又彌補其低精度的弱點，打造出一種“魚和熊掌”兼得的完美生物特征。
為了彌補語音的缺陷，我們選擇哪一種最高精確度、最高穩(wěn)定性的生物特征呢?學術(shù)界早有結(jié)論：虹膜識別，在精確度和穩(wěn)定性兩方面，是所有生物特征中最好的，目前最優(yōu)秀的虹膜識別算法甚至將誤識率降低到1/500萬以下。
虹膜位于眼球前部，表面覆蓋角膜，是一種隱藏在身體內(nèi)部的特征。虹膜是瞳孔周圍具有多種顏色的環(huán)狀組織，呈現(xiàn)出一種復雜的放射狀紋理。虹膜在出生之前隨機發(fā)育產(chǎn)生，因此所有的虹膜都是獨一無二的，從出生6個月直到死亡都保持不變。
將“價格最低廉的語音識別”與“識別精度最高的虹膜識別”組合，可以依據(jù)不同的需要進行精度調(diào)整，使系統(tǒng)安全等級具有更大的彈性。特別針對用戶規(guī)模達到數(shù)十萬、甚至上百萬的大型身份識別應用，“語音+虹膜”的組合已經(jīng)成為最具競爭力的技術(shù)方案。
比如，國內(nèi)已經(jīng)推出集成虹膜和語音兩種識別技術(shù)的社保支付終端，用戶可以根據(jù)支付金額及環(huán)境情況，選擇更具靈活性的身份認證方式，如小額支付用語音識別，大額支付用虹膜識別;安靜環(huán)境使用語音識別，嘈雜環(huán)境使用虹膜識別。
“語音+虹膜”的組合，將兩者的優(yōu)點(低成本、高精度)集于一身，正是《碟中諜5》啟發(fā)我們提出的最具技術(shù)前瞻性的身份識別方案。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場趨勢的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號
