每個(gè)人的聲音都有自己獨(dú)特的“元素”，蘊(yùn)含著先天生理和后天環(huán)境的影響。那么，聲音是否也可以像指紋一樣被用作密碼，讓生活更便利？清華—得意音通聲紋處理聯(lián)合實(shí)驗(yàn)室副主任、清華大學(xué)計(jì)算機(jī)系高級(jí)工程師鄔曉鈞老師帶來(lái)演講《解開(kāi)聲音密碼，讓老年人不必奔波千里領(lǐng)退休金》。

 

鄔曉鈞演講視頻：

 

以下為鄔曉鈞演講實(shí)錄：

 

大家好，我是鄔曉鈞。

 

 

養(yǎng)老保險(xiǎn)是我國(guó)社會(huì)保障的重要組成部分。根據(jù)規(guī)定，到了法定退休年齡的老人，如果已經(jīng)繳納了足夠年限的養(yǎng)老保險(xiǎn)，退休后每月就可以領(lǐng)取養(yǎng)老金。養(yǎng)老金是老人晚年的生活保障，有利于社會(huì)穩(wěn)定。

 

 

隨著我國(guó)經(jīng)濟(jì)發(fā)展，醫(yī)療服務(wù)水平和健康水平都得到提高，人們?cè)絹?lái)越長(zhǎng)壽了。2000年11月份，我國(guó)第五次人口普查數(shù)據(jù)表明，60歲以上的老年人口在總?cè)丝谥械谋壤呀?jīng)超過(guò)了10%，說(shuō)明我國(guó)已經(jīng)進(jìn)入了老齡社會(huì)。

 

幾年過(guò)去，我國(guó)老齡化的程度越來(lái)越高。到去年年底，全國(guó)老年人口總數(shù)已經(jīng)占總?cè)丝诘?7.9%。根據(jù)預(yù)測(cè)， 2050年可能每三個(gè)人中間就會(huì)有一個(gè)老年人 。

 

老年人增多了，領(lǐng)取養(yǎng)老金的人數(shù)也會(huì)增加，好多地方都出現(xiàn)了養(yǎng)老保險(xiǎn)入不敷出的現(xiàn)象。人社部報(bào)告顯示，2014年全國(guó)有三個(gè)省養(yǎng)老金入不敷出， 2015年有六個(gè)省，2016年有七個(gè)省。

 

但同時(shí)，各地也都出現(xiàn)了冒領(lǐng)養(yǎng)老金的現(xiàn)象。老人去世后，由于種種原因，他的帳戶(hù)沒(méi)有及時(shí)注銷(xiāo)，還有人在繼續(xù)冒領(lǐng)他的養(yǎng)老金，其中普遍是直系親屬。

 

 

2012年，北京順義就發(fā)生了一起案件：老人已經(jīng)去世了，但是 兒子為了能夠繼續(xù)領(lǐng)養(yǎng)老金，就把尸體藏在家里頭，半年多以后才被人發(fā)現(xiàn) 。

 

人社部數(shù)據(jù)顯示，2012年到2016年，全國(guó)查出來(lái)的被冒領(lǐng)的養(yǎng)老金就達(dá)到了7.6億。

 

去年（2018年）上半年，安徽省比較了公安廳人口注銷(xiāo)的數(shù)據(jù)和養(yǎng)老金領(lǐng)取的數(shù)據(jù)，發(fā)現(xiàn)大概有9800人涉嫌冒領(lǐng)養(yǎng)老金。這種現(xiàn)象實(shí)際上造成了養(yǎng)老保險(xiǎn)基金的流失，嚴(yán)重破壞了我國(guó)在養(yǎng)老保險(xiǎn)方面的公平、公正以及互助性，加劇了養(yǎng)老金的收支不平衡。

 

理論上，老人去世后的第二個(gè)月就應(yīng)該停止發(fā)放養(yǎng)老金了，但是如果每個(gè)月都去核查所有老年人的生存狀態(tài)，顯然任務(wù)太困難艱巨。所以國(guó)家規(guī)定， 退休人員每年要到現(xiàn)場(chǎng)認(rèn)證一次，保證健在 。

 

 

左邊這幅圖就是比較傳統(tǒng)的方式，需要本人到場(chǎng)，然后提供有效證件。這兩年很多社保局也在現(xiàn)場(chǎng)采用了指紋和人臉認(rèn)證（右圖），使得社保的年審更加方便快捷。

 

 

雖然每年只需要認(rèn)證一次，可是對(duì)于那些路途遙遠(yuǎn)、行動(dòng)不便以及和子女住在外地的老人，年審還是非常麻煩的一件事情。

 

為了方便群眾，有些地方的社保局提供上門(mén)服務(wù)，派出工作人員到交通不便的地方去做上門(mén)認(rèn)證，或者去探望臥床住院的那些老人。但是由于人員所限，能服務(wù)的老人還是極少數(shù)的。有些地方規(guī)定，跟子女居住在外地的老人可以到居住地的社保機(jī)構(gòu)去做認(rèn)證，然后把認(rèn)證材料寄回去。但是在實(shí)施過(guò)程中發(fā)現(xiàn)，有很多人偽造認(rèn)證材料。

 

 

也有些地方采取這樣的方法：讓老人拿一張當(dāng)天的報(bào)紙拍照。這在一定程度上可以減少認(rèn)證的困難。但很多老人意見(jiàn)很大，認(rèn)為是 對(duì)他們?nèi)烁窈蜕牟蛔鹬? 。而且這種方式 觸發(fā)了老人對(duì)于死亡的恐懼和焦慮 ，有些老人就覺(jué)得可能是在世的最后一張照片，非常不舒服。而且大家知道，現(xiàn)在P圖的技術(shù)非常高，所以也出現(xiàn)了很多P圖冒領(lǐng)養(yǎng)老金的情況。

 

指紋、人臉的認(rèn)證確實(shí)很方便，但如果遠(yuǎn)程做認(rèn)證的話，系統(tǒng)很難辨別圖像是真是假，所以社保局也只能在現(xiàn)場(chǎng)架構(gòu)相關(guān)設(shè)備，方便現(xiàn)場(chǎng)的認(rèn)證。

 

這是2018年5月份媒體報(bào)道的一件事情，引起了全國(guó)的廣泛關(guān)注——

 

湖北的一位老人，已經(jīng)90歲了。他實(shí)際上跟子女住在另外一個(gè)城市，每次認(rèn)證必須回到原來(lái)的居住地，而且認(rèn)證的地方在三樓，還得找人幫他把輪椅抬上去。

 

2015年2月，李克強(qiáng)總理主持了國(guó)務(wù)院的常務(wù)會(huì)議，確定要利用互聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)，“讓信息多跑路，讓群眾少跑腿”。

 

 

2018年7月，人社部全面取消了社會(huì)保險(xiǎn)待遇資格集中認(rèn)證的方式。這樣就急需更安全、更便利的遠(yuǎn)程身份認(rèn)證技術(shù)，防止養(yǎng)老基金跑冒滴漏，同時(shí)也減少基層工作人員的工作負(fù)擔(dān)。

 

2018年12月30日，央視新聞?lì)l道播出了一個(gè)新年特別節(jié)目，《創(chuàng)新跨越2018》，給觀眾們介紹了兩項(xiàng)人工智能的技術(shù)走入生活、造福社會(huì)的故事。其中一個(gè)就是我們團(tuán)隊(duì)利用聲紋技術(shù)在貴州開(kāi)展老年人生存認(rèn)證的試點(diǎn)工作，主要用到的就是聲紋識(shí)別技術(shù)。

 

 

黔東南地區(qū)的這位老人已經(jīng)102歲了，她住的地方交通不便，離認(rèn)證的地方單程奔波要兩小時(shí)。有了這項(xiàng)服務(wù)之后，她 花幾秒鐘時(shí)間，足不出戶(hù)就能完成認(rèn)證了 。

 

聲紋，到底是什么？

 

 

大家對(duì)指紋、掌紋、人臉、虹膜很熟悉，它們都屬于生物特征，其實(shí)聲紋也是一種生物特征。我們說(shuō)話的時(shí)候，從胸肺開(kāi)始，然后聲帶振動(dòng)，通過(guò)咽喉，然后到口腔、鼻腔發(fā)出聲來(lái)，其中還會(huì)用到舌頭、牙齒、嘴唇。

 

這些發(fā)音器官的形態(tài)、尺寸，其實(shí)大家都不一樣，這也是聲紋有唯一性的先天生理基礎(chǔ)。另外說(shuō)話有發(fā)聲習(xí)慣，韻律、口音和說(shuō)話速度也決定了語(yǔ)音中間的一些特定信息。這樣，發(fā)聲器官和發(fā)聲過(guò)程結(jié)合起來(lái)，就決定了語(yǔ)音包含了能夠表征和辨識(shí)特定說(shuō)話人的一些語(yǔ)音特征——聲紋。有時(shí)候，我們把基于語(yǔ)音特征所建立的計(jì)算機(jī)內(nèi)部的模型也稱(chēng)為聲紋。

 

 

識(shí)別前，計(jì)算機(jī)要先去了解聲紋，這個(gè)過(guò)程叫做注冊(cè)。一般來(lái)說(shuō)，就是要采集用戶(hù)的一段語(yǔ)音，然后提取其中的聲紋特征，建立聲紋模型，存儲(chǔ)在數(shù)據(jù)庫(kù)里。認(rèn)證或識(shí)別的時(shí)候，同樣需要采集一段語(yǔ)音（一般會(huì)比注冊(cè)短很多），從這段語(yǔ)音里也去抽取聲紋特征，然后從數(shù)據(jù)庫(kù)里拿出聲紋模型進(jìn)行某種計(jì)算，最后得到識(shí)別結(jié)果。

 

 

怎么評(píng)價(jià)聲紋識(shí)別系統(tǒng)的性能有多好？

 

其實(shí)有兩個(gè)指標(biāo)，一個(gè)是錯(cuò)誤接受率（FAR，不是本人語(yǔ)音但是系統(tǒng)認(rèn)可），另一個(gè)是錯(cuò)誤拒絕率（FRR，是本人語(yǔ)音但系統(tǒng)沒(méi)有通過(guò)）。

 

這兩種錯(cuò)誤率其實(shí)是相互矛盾的。 對(duì)于同一個(gè)系統(tǒng)來(lái)講，錯(cuò)誤接受率低了，錯(cuò)誤拒絕率就高，像蹺蹺板一樣 。所以我們要根據(jù)應(yīng)用的具體情況，保證系統(tǒng)在合適的工作點(diǎn)上。例如，資金安全或槍支管理安全性要求非常高，此時(shí)就需要讓錯(cuò)誤接受率很低，錯(cuò)誤拒絕率自然就會(huì)升高。

 

在科研中，我們?yōu)榱朔奖惚容^兩個(gè)系統(tǒng)的性能好壞，會(huì)讓它們都工作在錯(cuò)誤接受率和錯(cuò)誤拒絕率相等的狀態(tài)上（等錯(cuò)誤率）。一般認(rèn)為等錯(cuò)誤率越低，系統(tǒng)性能越好。不過(guò)實(shí)際的應(yīng)用中間，不能簡(jiǎn)單地以等錯(cuò)誤率來(lái)比較兩個(gè)系統(tǒng)的優(yōu)劣。

 

 

聲紋識(shí)別要錄音，周?chē)h(huán)境比較嘈雜，怎么辦？

 

實(shí)際上，我們現(xiàn)在用的麥克風(fēng)大多都是定向麥克風(fēng)，采音有一定范圍，在范圍之外聲音很難被錄進(jìn)去。而且，現(xiàn)在的智能手機(jī)很多不止一個(gè)麥克風(fēng)，所謂的麥克風(fēng)陣列技術(shù)能在錄音的時(shí)候很好地去除噪音，最后語(yǔ)音的處理過(guò)程也含有一些噪聲的處理功能。所以在一般情況下（如乘坐高鐵、餐廳吃飯），噪聲對(duì)系統(tǒng)識(shí)別性能是沒(méi)有多大影響的。

 

 

感冒鼻塞，會(huì)不會(huì)影響系統(tǒng)識(shí)別性能？

 

實(shí)際上，感冒對(duì)說(shuō)話習(xí)慣沒(méi)什么影響，只是對(duì)生理狀態(tài)有輕微的影響。所以總體來(lái)講，對(duì)生物特征的影響比較小，一般不會(huì)造成影響。我們的經(jīng)驗(yàn)表明，即使第一次認(rèn)證沒(méi)有通過(guò)，再說(shuō)一次一般也就能通過(guò)了。

 

 

 

年齡增長(zhǎng)帶來(lái)生物特征變化，系統(tǒng)還能不能用？

 

這確實(shí)是一個(gè)問(wèn)題，我們十年前也考慮過(guò)。為了驗(yàn)證，我們找了同一批人，每隔固定的時(shí)間去說(shuō)同樣的話，然后去找有沒(méi)有共同的聲紋特征。結(jié)果發(fā)現(xiàn)， 就像老朋友多年不見(jiàn)，再一次見(jiàn)面還能認(rèn)得 ——人有些聲紋特征非常穩(wěn)定。我們?cè)俳Y(jié)合這些特征進(jìn)行改進(jìn)，使得系統(tǒng)保持很高、很穩(wěn)定的識(shí)別性能。

 

實(shí)際上，社保生存認(rèn)證里用到的技術(shù)也不完全是聲紋。

 

 

語(yǔ)音本身是一種聲波，麥克風(fēng)能夠記錄下每一個(gè)時(shí)刻聲波振動(dòng)的強(qiáng)度，其中包含了非常豐富的信息（男女性別、年齡、語(yǔ)言類(lèi)型、方言口音等，當(dāng)然還有內(nèi)容）。此外，聲紋還能聽(tīng)出情緒（高興還是悲傷）。我們把聲音的這種特點(diǎn)總結(jié)成四個(gè)字，“ 形簡(jiǎn)意豐 ”。

 

 

由此，我們?cè)O(shè)計(jì)了遠(yuǎn)程的聲紋身份認(rèn)證方案，在很多地方都有應(yīng)用。具體來(lái)說(shuō)，就是老人需要認(rèn)證的時(shí)候，系統(tǒng)會(huì)首先生成一個(gè)隨機(jī)密碼（現(xiàn)在采用的是隨機(jī)數(shù)字），然后麥克風(fēng)錄下聲音，后臺(tái)同時(shí)做聲紋識(shí)別（判斷是不是本人）和語(yǔ)音識(shí)別（判斷確實(shí)是念了生成的這段文本）。

 

用這套系統(tǒng)，還會(huì)產(chǎn)生養(yǎng)老金冒領(lǐng)嗎？有人模仿怎么辦？計(jì)算機(jī)合成怎么辦？

 

 

實(shí)際上，所謂的模仿秀一般是模仿人說(shuō)話韻律和風(fēng)格，沒(méi)有辦法去模仿生理結(jié)構(gòu)。所以不管是研究還是應(yīng)用，從來(lái)沒(méi)有發(fā)生過(guò)聲音模仿闖入系統(tǒng)的情形。至于計(jì)算機(jī)合成，目前的合成技術(shù)有一定針對(duì)性，往往是針對(duì)語(yǔ)音中一兩種信息做的合成，能夠檢測(cè)出來(lái)。另外，不管用了計(jì)算機(jī)的什么技術(shù)，來(lái)源肯定是已經(jīng)錄制的數(shù)據(jù)，還要通過(guò)揚(yáng)聲器播放，其實(shí)就跟錄音再播放有相同的過(guò)程，我們把這種現(xiàn)象稱(chēng)為錄音重放。

 

所以， 如果能夠檢測(cè)出錄音重放，我們就能夠堵住冒領(lǐng)漏洞 。

 

 

我們近幾年研究的一個(gè)重要課題就是錄音重放。我們參加了2019年國(guó)際自動(dòng)說(shuō)話人驗(yàn)證欺騙和對(duì)策挑戰(zhàn)賽，其中就有錄音重放的檢測(cè)項(xiàng)目。在全世界156支隊(duì)伍里頭，我們清華-得意團(tuán)隊(duì)以挺大的優(yōu)勢(shì)拿到了第一名，等錯(cuò)誤率只有0.39%（每一千個(gè)語(yǔ)音里有四個(gè)識(shí)別錯(cuò)誤）。

 

 

關(guān)于聲紋身份認(rèn)證的安全性，我們有非常多的考慮，比如是否出自本人的意愿。我們?cè)O(shè)計(jì)的方案里需要用戶(hù)去讀一串隨機(jī)生成的文本，或者回答問(wèn)題，就能保證用戶(hù)不是處于非清醒的狀態(tài)。

 

另外，如果有歹徒持刀脅迫，我們也能進(jìn)行情感識(shí)別，比如聲音里有沒(méi)有緊張、恐懼的情緒。

 

我們還可以基于語(yǔ)音識(shí)別的內(nèi)容，再去做進(jìn)一步的語(yǔ)義理解。假如在認(rèn)證的時(shí)候說(shuō)“明天我給你送盒月餅去，要過(guò)節(jié)了”，但是其實(shí)昨天就是中秋節(jié)，在當(dāng)時(shí)的時(shí)間場(chǎng)景下不合理，我們就能提前給出可能的報(bào)警。

 

 

這張圖片是清華-得意團(tuán)隊(duì)參加了2017年的國(guó)際音頻情感識(shí)別競(jìng)賽，獲得了冠軍。

 

 

目前，聲紋身份認(rèn)證已經(jīng)在國(guó)家好幾個(gè)省進(jìn)行試點(diǎn)應(yīng)用。

 

 

我們也在研究擴(kuò)大應(yīng)用范圍，試圖解決青少年沉迷網(wǎng)絡(luò)、視障老人使用智能設(shè)備等一些問(wèn)題。

 

 

當(dāng)然聲紋識(shí)別技術(shù)目前還有很多問(wèn)題解決得不夠好，我們還在不斷研究。但是我們相信，隨著技術(shù)的發(fā)展，特別是5G即將普及，萬(wàn)物互聯(lián)已經(jīng)離我們非常近了。未來(lái)作為最方便自然的交互手段，語(yǔ)音一定會(huì)成為我們?nèi)粘Ｊ褂玫募夹g(shù)。在無(wú)處不在的智能交互時(shí)代，我們相信聲紋的身份認(rèn)證一定會(huì)是其中重要的組成部分。

 

好，謝謝大家。

 

（演講嘉賓鄔曉鈞：《解開(kāi)聲音密碼，讓老年人不必奔波千里領(lǐng)退休金》)

    

作者：鄔曉鈞

編輯：Yuki、凝音

抬著90歲老人去領(lǐng)退休金，這樣尷尬的事，我們不想再看到了｜鄔曉鈞

圖文簡(jiǎn)介

聲音是否可以像指紋一樣被用作密碼，讓生活更便利？