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(jué)計(jì)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(shí)別技術(shù)由于技術(shù)研究的同源性和中國(guó)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(shí)別等生物識(shí)別技術(shù)的繁榮應(yīng)用，而作為語(yǔ)音識(shí)別細(xì)分領(lǐng)域中的聲紋識(shí)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(shí)別一樣開(kāi)拓出智慧城市新市場(chǎng)，作為中國(guó)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(shí)別來(lái)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(shí)別在公共安全領(lǐng)域的應(yīng)用現(xiàn)狀

生物特征是指每個(gè)個(gè)體所獨(dú)有的、可以通過(guò)技術(shù)有效測(cè)量、甄別、鑒定與驗(yàn)證的某類(lèi)生理上的特征或行為上的方式。從生物特征的來(lái)源進(jìn)行區(qū)分，可初步分為兩大類(lèi)，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(shí)別技術(shù)就是利用各類(lèi)傳感與采集技術(shù)、深度學(xué)習(xí)等人工智能技術(shù)，通過(guò)對(duì)個(gè)人生理特征和行為特征進(jìn)行計(jì)算，建立數(shù)學(xué)模型，并進(jìn)行識(shí)別與區(qū)分的技術(shù)。

近年來(lái)，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(lái)越多的領(lǐng)域?qū)ι锾卣髯R(shí)別技術(shù)產(chǎn)生了應(yīng)用需求。而在各類(lèi)生物特征識(shí)別技術(shù)中，智能語(yǔ)音類(lèi)技術(shù)是應(yīng)用得最廣泛的技術(shù)之一。

智能語(yǔ)音類(lèi)技術(shù)從應(yīng)用廣度來(lái)分，首屈一指的當(dāng)屬語(yǔ)音識(shí)別與聲紋識(shí)別兩大類(lèi)。其中，語(yǔ)音識(shí)別技術(shù)主要是以計(jì)算機(jī)來(lái)識(shí)別語(yǔ)音描述的內(nèi)容，并自動(dòng)將語(yǔ)音內(nèi)容轉(zhuǎn)換為文字；聲紋識(shí)別技術(shù)是通過(guò)對(duì)聲音頻譜等特征的全面分析，建立計(jì)算機(jī)對(duì)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(lèi)似，都是通過(guò)對(duì)采集到的語(yǔ)音信號(hào)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(yǔ)音識(shí)別技術(shù)當(dāng)前已廣泛的運(yùn)用在智慧城市的方方面面，例如地鐵站的智能語(yǔ)音售票、運(yùn)營(yíng)商或銀行的智能語(yǔ)音客服、智能手機(jī)上的語(yǔ)音輸入法、各類(lèi)語(yǔ)音助理與智能音箱等等，都運(yùn)用了語(yǔ)音識(shí)別技術(shù)。

而聲紋識(shí)別的應(yīng)用領(lǐng)域則更加專(zhuān)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(yǔ)音同一認(rèn)定（聲紋鑒定）技術(shù)是隨著語(yǔ)圖儀（聲譜儀）的發(fā)明而發(fā)展起來(lái)的。20世紀(jì)40年代初期，美國(guó)貝爾實(shí)驗(yàn)室發(fā)明了聲譜儀，這個(gè)儀器是一個(gè)動(dòng)態(tài)聲波分析儀，通過(guò)對(duì)語(yǔ)音信號(hào)的時(shí)間、頻率和強(qiáng)度（t-f-a）三種參數(shù)的實(shí)時(shí)分析，產(chǎn)生一個(gè)連續(xù)可視的語(yǔ)音頻譜。當(dāng)時(shí)在貝爾實(shí)驗(yàn)室工作的物理學(xué)家波特（Potter）等人開(kāi)始研究利用聲譜儀來(lái)分析語(yǔ)音。

最早進(jìn)行語(yǔ)音同一認(rèn)定（聲紋識(shí)別的主要分支）研究的是美國(guó)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(bào)告。他對(duì)123名健康美國(guó)人的“I，You，It”等聲樣的25000個(gè)聲紋圖進(jìn)行了50000多項(xiàng)分析，實(shí)驗(yàn)準(zhǔn)確率為97%-99.65%。

而在我國(guó)，早在上世紀(jì)80年代末就已由上世紀(jì)八十年代末，中國(guó)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(shí)驗(yàn)室，并進(jìn)一步成立了聲紋鑒定研究課題組，開(kāi)展了聲紋鑒定技術(shù)的研究工作。到現(xiàn)在，在全國(guó)各地公安機(jī)關(guān)的多年共同努力下，針對(duì)漢語(yǔ)這一世界最大語(yǔ)種獨(dú)有的特點(diǎn)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(shí)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(shí)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(shí)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(duì)各類(lèi)錄音文件鑒定其身份，是各類(lèi)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?；二是?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(chǎng)景，用于識(shí)別用戶(hù)身份，并提供針對(duì)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(diǎn)，均是新型犯罪的主要特點(diǎn)，以最為典型的電信詐騙為例，犯罪團(tuán)伙往往是多層級(jí)單線聯(lián)系、跨省甚至跨國(guó)作案、與被害人零接觸。這類(lèi)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(shí)時(shí)性的技術(shù)手段予以支持，是對(duì)案件偵破工作提出的新挑戰(zhàn)，也正是AI賦能下的聲紋識(shí)別技術(shù)所擅長(zhǎng)的領(lǐng)域。

在這種背景下，聲紋識(shí)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(diǎn)：

由離線應(yīng)用向在線實(shí)時(shí)應(yīng)用轉(zhuǎn)變

近年來(lái)，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(guó)家現(xiàn)有的指紋庫(kù)和人臉庫(kù)等成熟的生物特征庫(kù)，業(yè)內(nèi)已經(jīng)逐步研發(fā)出不少切合實(shí)戰(zhàn)需求的聲紋應(yīng)用系統(tǒng)。

其主要的應(yīng)用場(chǎng)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(huì)比較少，所以聲音成為了最主要的破案線索，這類(lèi)場(chǎng)景需要在線對(duì)特定場(chǎng)所采集的聲音，與涉詐騙人員庫(kù)等專(zhuān)題庫(kù)進(jìn)行實(shí)時(shí)比對(duì)，以期及時(shí)發(fā)現(xiàn)身份可疑人員，提高偵查效能。

由1對(duì)1驗(yàn)證向大規(guī)模數(shù)據(jù)比對(duì)轉(zhuǎn)變

傳統(tǒng)的聲紋識(shí)別應(yīng)用場(chǎng)景多為認(rèn)定，即判斷指定的聲音是否由某個(gè)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(kù)的建立，并實(shí)現(xiàn)聲紋數(shù)據(jù)的大規(guī)模檢索與比對(duì)，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(duì)轉(zhuǎn)變

聲紋識(shí)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(shí)別、指紋識(shí)別等生物特征識(shí)別技術(shù)，現(xiàn)實(shí)空間和虛擬空間相結(jié)合，更全面的刻畫(huà)犯罪嫌疑人的全息畫(huà)像，對(duì)犯罪行為進(jìn)行多角度、多方位的監(jiān)控和打擊，保衛(wèi)國(guó)家和社會(huì)的安全。

聲紋識(shí)別在公共安全領(lǐng)域的應(yīng)用瓶頸與問(wèn)題

聲紋識(shí)別在公共安全領(lǐng)域的主要應(yīng)用瓶頸與問(wèn)題如下：

語(yǔ)音的時(shí)變性對(duì)聲紋識(shí)別的影響

從根本上說(shuō)，語(yǔ)音的個(gè)體穩(wěn)定性主要是由語(yǔ)音的生理基礎(chǔ)決定的。當(dāng)一個(gè)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(gè)相對(duì)穩(wěn)定的狀態(tài)，這就是聲紋識(shí)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(duì)較差，變聲期、病變、外傷、錄音條件不同、言語(yǔ)環(huán)境不同等因素都會(huì)使一個(gè)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(lèi)嚴(yán)謹(jǐn)?shù)膽?yīng)用領(lǐng)域，語(yǔ)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(wú)偽裝變化的情況下，才可直接用來(lái)否定嫌疑人（或當(dāng)事人）。

跨信道采集對(duì)聲紋識(shí)別的影響

聲音的來(lái)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(huì)采用不同的音頻編解碼模式，模數(shù)轉(zhuǎn)換的過(guò)程或多或少會(huì)造成聲音的損傷。這就對(duì)聲紋識(shí)別時(shí)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(shí)間跨度、采樣時(shí)長(zhǎng)等各種環(huán)境因素造成的影響，從當(dāng)前業(yè)界實(shí)踐來(lái)看，聲紋識(shí)別也和其他識(shí)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(duì)聲紋識(shí)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(jiàn)，在聲紋識(shí)別時(shí)候必須考慮到上述因素。

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

構(gòu)建聲紋識(shí)別大數(shù)據(jù)平臺(tái)，實(shí)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(duì)各類(lèi)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(duì)性的通過(guò)各種技術(shù)手段獲取的通話錄音、監(jiān)聽(tīng)錄音等音頻線索也是重要的破案途徑，但是單純通過(guò)人工監(jiān)聽(tīng)與甄別，既難以準(zhǔn)確識(shí)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(shí)別嫌疑人身份，甚至進(jìn)一步建立事前主動(dòng)出擊、主動(dòng)預(yù)防的能力。

應(yīng)用目標(biāo)

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

聲紋識(shí)別大數(shù)據(jù)平臺(tái)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(zhuān)門(mén)針對(duì)多源異構(gòu)的海量音頻數(shù)據(jù)開(kāi)發(fā)的大數(shù)據(jù)實(shí)戰(zhàn)應(yīng)用平臺(tái)，通過(guò)實(shí)現(xiàn)聲音數(shù)據(jù)的匯聚接入、優(yōu)化治理、建庫(kù)比對(duì)、聲紋核驗(yàn)、聲紋聚類(lèi)等一系列功能，可滿(mǎn)足聲紋實(shí)戰(zhàn)中線索排查、身份核驗(yàn)、類(lèi)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(shí)別大數(shù)據(jù)平臺(tái)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(tái)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(lèi)型的數(shù)據(jù)源接入實(shí)時(shí)音頻流或離線文件，最大限度擴(kuò)展聲音的來(lái)源。

在數(shù)據(jù)處理層，平臺(tái)需對(duì)接入的各種類(lèi)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(chǔ)網(wǎng)關(guān)、算法引擎、管理控制臺(tái)4部分。在此層次，需對(duì)接入的各類(lèi)數(shù)據(jù)進(jìn)行質(zhì)量檢測(cè)，過(guò)濾不符合聲紋識(shí)別標(biāo)準(zhǔn)的低質(zhì)量數(shù)據(jù)，對(duì)符合聲紋識(shí)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?jì)算機(jī)可識(shí)別的結(jié)構(gòu)化數(shù)據(jù)。

在支撐服務(wù)層，主要是通過(guò)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(kù)檢索服務(wù)、聲紋動(dòng)態(tài)庫(kù)檢索服務(wù)、消息服務(wù)、文件存儲(chǔ)、高速緩存服務(wù)、關(guān)系型數(shù)據(jù)庫(kù)、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(lèi)聲紋業(yè)務(wù)應(yīng)用及大數(shù)據(jù)計(jì)算需要。

聲紋識(shí)別大數(shù)據(jù)平臺(tái)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(dòng)態(tài)布控服務(wù)器、聲紋靜態(tài)大庫(kù)檢索服務(wù)器、聲紋動(dòng)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(shí)戰(zhàn)需求，平臺(tái)還需支持單網(wǎng)與雙網(wǎng)部署模式。

平臺(tái)功能與典型應(yīng)用場(chǎng)景

聲紋識(shí)別大數(shù)據(jù)平臺(tái)具備聲音數(shù)據(jù)的匯聚接入、優(yōu)化治理、建庫(kù)比對(duì)、聲紋核驗(yàn)、聲紋聚類(lèi)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(chǎng)景，比較典型的應(yīng)用模式如下：

線索排查場(chǎng)景。通過(guò)平臺(tái)的聲紋檢索功能，可在海量聲紋庫(kù)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(zhuān)題聲紋庫(kù)（如涉詐人員聲紋庫(kù)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(shí)，通過(guò)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(yàn)場(chǎng)景。通過(guò)平臺(tái)的聲紋1：1核驗(yàn)功能，可實(shí)現(xiàn)基于聲音的身份驗(yàn)證與鑒定，即通過(guò)對(duì)輸入的2個(gè)聲音來(lái)源進(jìn)行特征提取，并比對(duì)兩個(gè)特征的相似度，當(dāng)相似度大于一定的閾值時(shí)，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(shí)別算法，當(dāng)多個(gè)算法均認(rèn)為是同一人時(shí)，即可較為準(zhǔn)確的判定。

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

類(lèi)案串并場(chǎng)景。平臺(tái)支持針對(duì)每個(gè)案件建立檔案，存儲(chǔ)涉案聲紋線索信息，并定期自動(dòng)將涉案聲紋進(jìn)行比對(duì)，若多個(gè)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(lèi)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(chǎng)景。在能獲取實(shí)時(shí)聲音數(shù)據(jù)的應(yīng)用場(chǎng)景中，可進(jìn)一步實(shí)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(shí)做出響應(yīng)。

人員聲紋畫(huà)像場(chǎng)景。利用平臺(tái)的聲紋聚類(lèi)功能，可實(shí)現(xiàn)基于聲音信息的重點(diǎn)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(diǎn)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(shí)間、地點(diǎn)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(shí)現(xiàn)聲紋大數(shù)據(jù)畫(huà)像。

聲紋識(shí)別在公共安全領(lǐng)域的應(yīng)用前景與趨勢(shì)

聲紋識(shí)別具有采集簡(jiǎn)便、識(shí)別準(zhǔn)確、難以偽造等眾多優(yōu)勢(shì)，且對(duì)用戶(hù)干涉較少，更易嵌入各類(lèi)應(yīng)用場(chǎng)景中得到接受。在全球范圍內(nèi)，聲紋識(shí)別技術(shù)正廣泛應(yīng)用于身份驗(yàn)證、記錄比對(duì)等場(chǎng)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(mén)也在更多地引入這一技術(shù)進(jìn)行犯罪活動(dòng)的打擊，例如，在高鐵站、火車(chē)站、長(zhǎng)途汽車(chē)站、飛機(jī)場(chǎng)等一場(chǎng)三站場(chǎng)景，通過(guò)聲紋識(shí)別技術(shù)、結(jié)合人臉等生物特征識(shí)別技術(shù)，對(duì)乘客身份進(jìn)行精準(zhǔn)識(shí)別，可以有效實(shí)現(xiàn)人員管控；通過(guò)聲紋布控告警等技術(shù)對(duì)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(mén)的作戰(zhàn)能力。

結(jié)語(yǔ)

時(shí)至今日，聲紋識(shí)別技術(shù)已經(jīng)從實(shí)驗(yàn)室逐步走向各類(lèi)實(shí)際應(yīng)用場(chǎng)景中，處于大規(guī)模爆發(fā)性應(yīng)用的前期，隨著聲紋識(shí)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(wú)接觸等特點(diǎn)，在將來(lái)必定會(huì)在更多行業(yè)、更多場(chǎng)景中得到更為廣泛的應(yīng)用。