基于元音共振峰特征的法庭說話人識別

王華朋李 寧許 鋒蔡能斌

（1 中國刑警學(xué)院 遼寧 沈陽 110035；2 上海市公安局物證鑒定中心 上海 200135）

基于元音共振峰特征的法庭說話人識別

王華朋1李 寧1許 鋒1蔡能斌2

（1 中國刑警學(xué)院 遼寧 沈陽 110035；2 上海市公安局物證鑒定中心 上海 200135）

在似然比證據(jù)評估體系下研究元音的共振峰特征在法庭語音證據(jù)強(qiáng)度評估中的應(yīng)用，提供了似然比計算方法，并在包含42人語音的數(shù)據(jù)庫中對法庭說話人識別系統(tǒng)的性能及可靠性進(jìn)行了檢驗。結(jié)果表明：使用共振峰特征的法庭說話人識別系統(tǒng)，在只使用一個元音的情況下具有良好的識別率。該方法不僅能正確識別說話人，而且能根據(jù)當(dāng)前語音證據(jù)的差異，量化該語音樣本作為證據(jù)的力度，為法庭提供科學(xué)合理的證據(jù)評估結(jié)果。

共振峰 似然比 法庭說話人識別

1 似然比方法概述

法庭科學(xué)家早在20年前就已經(jīng)意識到了簡單的“認(rèn)定/否定”所帶來的負(fù)面問題，因此都在探索更好的評判證據(jù)價值和表述檢驗結(jié)論的方法。目前，使用似然比方法的DNA證據(jù)及分析模式已經(jīng)普遍為世界各國法庭所接受。因此，國外一些專家嘗試效仿DNA技術(shù)，將似然比方法應(yīng)用于其他法庭證據(jù)，如玻璃、油漆、語音和指紋等，并且進(jìn)行了大量的測試和評估。澳大利亞、英國和歐洲一些國家的學(xué)者提出在鑒定結(jié)論的表述和價值評判上引入了似然比方法。在法庭證據(jù)評價體系中利用似然比方法評判證據(jù)力度是一種科學(xué)有效的評價方法。該方法通過比較檢材和樣本的相似度，計算兩者的似然概率，同時以經(jīng)驗背景數(shù)據(jù)（先驗概率）為參考，最后得到支持起訴假設(shè)（認(rèn)定同一）的后驗概率。似然比方法適用于多種法庭證據(jù)，如DNA、玻璃、油漆、語音等，并且各種證據(jù)的似然比還可以合并，進(jìn)行綜合評價。似然比方法有利于更科學(xué)地評判法庭證據(jù)的價值，供法官客觀科學(xué)地判斷和采信證據(jù)，對于完善證據(jù)檢驗鑒定體系具有重要意義。

2005年，美國亞利桑那州立大學(xué)的教授M.J.Saks和J.J.Koehler在《Science》上撰文指出，法庭識別科學(xué)正在向一個新的證據(jù)評估體系發(fā)展。2009年，澳大利亞新南威爾士大學(xué)的教授G.S.Morrison在《science& Justice》上撰文指出，在法庭語音比對領(lǐng)域，目前正處于新舊證據(jù)評估模式的轉(zhuǎn)換進(jìn)程中，明確指出了似然比證據(jù)評估體系的科學(xué)性，是未來法庭證據(jù)評估的發(fā)展方向。澳大利亞、英國和歐洲其他一些國家的法庭科學(xué)家也提出在法庭證據(jù)的檢驗和評估上應(yīng)該借鑒DNA檢驗的成功做法，引入基于貝葉斯理論的似然比證據(jù)評估體系。該體系不僅可以對證據(jù)價值進(jìn)行量化評價，還可以測試分析技術(shù)及方法的可靠程度和準(zhǔn)確程度，因此，被科學(xué)界公認(rèn)為是目前最科學(xué)、最正確和最符合邏輯推理的法庭證據(jù)評估方法。

2 似然比在法庭證據(jù)中的解釋

目前，在國際法庭說話人識別研究中，似然比是最重要的組成部分，因為它可以量化證據(jù)對鑒定結(jié)論支持的力度。似然比可以表示成在一個給定的假設(shè)條件下觀測到犯罪證據(jù)（罪犯和嫌疑人樣本間的聲學(xué)差異）的概率和在完全相反的假設(shè)條件下觀測到犯罪證據(jù)概率的比值。因此，它們的比率就是當(dāng)前語音證據(jù)支持同一人的假設(shè)和支持不是同一人假設(shè)的相對強(qiáng)度，強(qiáng)度的大小反映在似然比的幅度上。如果似然比的值等于1，那說明該證據(jù)對兩個相反的假設(shè)支持的力度是一樣的，故不具有證據(jù)意義。似然比和1的大小關(guān)系表明，當(dāng)前的語音證據(jù)支持是同一人的假設(shè)還是非同一人的假設(shè)，似然比的值并不是真相的二值表示。也就是說，對于嫌疑人樣本和罪犯樣本是不是由同一人產(chǎn)生的這一問題，似然比并沒有給出“是”或“否”的回答，它只是量化了當(dāng)前語音證據(jù)對鑒定結(jié)論支持的強(qiáng)度。如果用P來表示概率，E表示證據(jù)，H代表假設(shè)，那么似然比（LR）可寫成下面的形式：

在法庭說話人識別中，似然比的分子量化了罪犯樣本和嫌疑人樣本之間相似的程度，其分母量化了罪犯樣本和嫌疑人樣本在參考人群里的典型性。如果罪犯樣本和嫌疑人樣本越相似，它們來自同一人的可能性就越大，似然比的值也就會越大。然而，這個結(jié)果還需要樣本的典型性來平衡。這兩個樣本越是典型，它們就越可能是從人群中隨機(jī)抽取的，似然比的值就會越低。因此，似然比的值是樣本的相似性和典型性相互作用的結(jié)果，貝葉斯理論明確指明，相似性和典型性對證據(jù)評估來說都是必不可少的。事實(shí)上，在實(shí)際工作中，我們經(jīng)常會忽視樣本特征的典型性，認(rèn)為僅僅相似性對證據(jù)同一認(rèn)定就足夠了，這是不正確的做法。

如果提取的特征為單個特征，即使用單變量計算似然比，則可采用Lindley提出的公式，詳見參考文獻(xiàn)[11]；如果特征為多變量，則可采用Aitken和Lucy提出的多變量核密度的似然比計算方法，詳見參考文獻(xiàn)[12]、[13]。

3 共振峰的概念及其應(yīng)用價值

共振峰是指在聲音的頻譜中能量相對集中的一些區(qū)域，共振峰不但是音質(zhì)的決定因素，而且反映了聲道（共振腔）的物理特征。在語音聲學(xué)中，共振峰決定著元音的音質(zhì)，也可以反應(yīng)說話人的個性特征。

在法庭話者鑒別中，共振峰作為話者區(qū)分的最穩(wěn)定的參數(shù)，一直都是備受重視的。語音的個體特性更多地體現(xiàn)在高頻區(qū)，但是受到實(shí)際案件條件下電話等傳輸帶寬的限制，高頻語音成分很難保留，低頻區(qū)元音的F1測量也不太可靠。因此，話者區(qū)分測試往往集中在第二和第三共振峰上。由于男性語音元音/a/的第一共振峰大概分布在800Hz左右，因此，第一共振峰的數(shù)據(jù)也是可以應(yīng)用的。

4 實(shí)驗結(jié)果

為了驗證結(jié)果的穩(wěn)定性，本文采用42人電話數(shù)據(jù)庫，是由42人在不同時間段錄制的電話對話錄音，該錄音從磁帶被數(shù)字化以后，以16位的PCM格式聲音文件保存，采樣頻率為11025Hz。對話中采用的是漢語普通話，參與者年齡都在20歲左右。由一位引導(dǎo)人詢問他們相關(guān)的個人信息，由他們依次作答。本文選取了“啊”作為分析的對象，提取元音/a/進(jìn)行分析。選取“a”作為分析對象還有另外一個優(yōu)點(diǎn)，因為人們經(jīng)常對其進(jìn)行重讀，因此其中的元音/a/發(fā)音比較飽滿，能較好地反映個體的聲道特征。

在似然比結(jié)果的討論中，似然比經(jīng)常以10為底的對數(shù)值表示，因為在對數(shù)域，越大的正數(shù)為同一人假設(shè)提供越大的支持力度，越大的負(fù)數(shù)則為不同人假設(shè)提供越大的支持力度。例如，對數(shù)似然比+1表示在當(dāng)前的語音證據(jù)條件下，它們來自同一人的概率是來自不同人概率的10倍；對數(shù)似然比-1表示，在當(dāng)前的語音證據(jù)條件下，它們來自不同人的概率是來自同一人概率的10倍。

圖1為只使用第一共振峰F1作為識別結(jié)果時的Tippett圖，左上較粗的曲線表示不同說話人的對數(shù)10似然比大于等于x軸刻度的樣本所占的比率；右上較細(xì)的曲線表示同一說話人對數(shù)10似然比小于等于x軸刻度的樣本所占的比率。兩曲線相交的點(diǎn)為等誤差點(diǎn)，可以用來判斷該鑒別系統(tǒng)的好壞。圖中的豎線為識別閾值，似然比的識別閾值為1，取對數(shù)后為0，最理想的情況就是粗線和細(xì)線和閾值都沒有交點(diǎn)，同一說話人和不同說話人都達(dá)到100%的識別率。等誤差點(diǎn)的數(shù)值越小，說明該說話人識別系統(tǒng)的性能越高。在圖1中，系統(tǒng)的等誤差率在0.2與0.3之間，使用的似然比計算方法為單變量的似然比計算方法。

如果將F1、F2和F3進(jìn)行融合，即假設(shè)它們之間是相互獨(dú)立的，是統(tǒng)計無關(guān)的特征，把F1、F2和F3的單獨(dú)的似然比計算結(jié)果進(jìn)行相乘，得到一個使用前三個共振峰特征的似然比的值，結(jié)果見圖2所示。系統(tǒng)的識別性能得到明顯的提高，等錯誤率降到0.1之內(nèi)。

圖1 特征為F1時的Tippett圖

圖2 F1&F2&F3融合的Tippett圖

圖3為使用MVK的方法計算似然比結(jié)果的Tippett圖，系統(tǒng)的識別性能也比單獨(dú)使用一個特征時要好，等錯誤率降低到0.1以下。

圖3 基于MVK方法的Tippett圖（F1&F2&F3）

5 結(jié)論及討論

本文通過對42人數(shù)據(jù)庫的測試，使用共振峰特征作為識別參數(shù)，取得了較高的正確識別率共振峰作為識別特征，具有很好的魯棒性和穩(wěn)定性，受信道和噪聲的影響較小，具有其他數(shù)字特征所沒有的穩(wěn)定性好的優(yōu)勢，并且具有明確的物理意義。實(shí)驗結(jié)果表明，通過分析共振峰的相關(guān)特征進(jìn)行似然比計算的方法是法庭說話人識別的一個科學(xué)有效的方法，能大大提高識別的準(zhǔn)確率，并且量化了證據(jù)的強(qiáng)度。本文僅使用了每個人的元音/a/，我們還可以使用更多數(shù)量的元音和特征，然后融合這些證據(jù)，獲得一個全局證據(jù)力度，進(jìn)一步提高識別結(jié)果的可靠度。

[1]Morris on G S， Zhang C， Rose P.An empiricalestimate ofthe precision oflikelihood ratiosfrom a forensic-voice-comparison system[J].Forensic science international，2011，208(1).

[2]Saks M J，Koehler J J.The coming paradigm shift in forensic identification science[J].Science，2005，309(5736).

[3]Morrison G S.Forensic voice comparison and the paradigm shift[J].Science&Justice，2009，49(4).

[4]Rose P， Morrison G.A response to the UK position statement on forensic speaker comparison[J].The international journal of speech,language and the law，2009，16(1).

[5]Zhang C， Morrison G S， Rose P.Forensic speaker recognition in Chinese：a multivariate likelihood ratiodiscriminationon/i/and/y/[A].INTERSPEECH[C]. Brisbane，Australia:The DBLP Computer Science Bibliography，200.

[6]Drygajlo A.Automatic Speaker Recognition for Forensic Case Assessment and Interpretation[M].New York:ForensicSpeakerRecognition.Springer，2012.

[7]Drygajlo A.Statistical evaluation of biometric evidence in forensic automatic speaker recognition[M]. Computational Forensics.Berlin Heidelberg:Springer, 2009.

[8]Gonzalez-Rodriguez J， Ramos D.Forensic automatic speaker classification in the"Coming Paradigm Shift"[M].Speaker Classification I.Berlin Heidelberg: Springer，2007.

[9]CampbellW M，BradyKJ，CampbellJP，et al. Understanding scores in forensic speaker recognition[A]. Speaker and Language Recognition Workshop[C]，IEEE Odyssey2006，Puerto Rico：The.IEEE，2006.

[10]DrygajloA，MeuwlyD，AlexanderA.Statistical Methods and Bayesian Interpretation of Evidence in Forensic Automatic Speaker Recognition[A],in Proc. Eurospeech 2003[C],Geneva,Switzerland:Institute for PerceptualArtificialIntelligence,2003.

[11]WangHuapeng，Yang Jun.The comparison of "Idiot's Bayes"and multivariate kernel-density in forensic speaker identification using Chinese vowel/a/[A].3rd InternationalCongressonImageandSignalProcessing[C].Shanghai：The IEEE，2010，v8.

[12]Aitken C G G，Lucy D.Evaluation of trace evidence in the form of multivariate data[J].Journal of the Royal Statistical Society：Series C(Applied Statistics)，2004，53(1).

[13]Morrison G S.Matlab Implementation of Aitken &Lucy's(2004)Forensic Likelihood-Ratio Software UsingMultivariate-Kernel-DensityEstimation[software], 2007.[EB/OL].http://geoff-morrison.net.

（責(zé)任編輯：孟凡騫）

TP391.4

A

2014-3-11

遼寧省自然科學(xué)基金資助項目（編號：2013020008）；上海市物證鑒定中心重點(diǎn)實(shí)驗室開放課題（編號：2013KF030110）。

王華朋（1979-），男，山東鄆城人，中國刑警學(xué)院聲像資料檢驗技術(shù)系副教授，博士，主要從事聲像資料檢驗研究。