網(wǎng)易AI Lab斬獲全球頂級聲紋識別競賽冠軍

近日，全球最大的語音會議 INTERSPEECH 2020 公布了 SdSV 聲紋識別比賽成績，網(wǎng)易 AI Lab 從眾多國際頂級隊伍中脫穎而出，獲文本相關(guān)聲紋識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 在語音聲紋識別技術(shù)領(lǐng)域的領(lǐng)先地位。

本次國際聲紋識別比賽是業(yè)界非常具備權(quán)威性的賽事，參賽隊伍來自國際多家知名高校與企業(yè)，包括近兩年全球各項聲紋識別比賽中的“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別，就能夠在多語言環(huán)境下，同時完成說話人和文本內(nèi)容的驗證。

比賽采用 MinDCF（最小檢測代價）和 EER（等錯誤率）作為評測指標。網(wǎng)易 AI Lab 的單模型在兩個指標均為最佳，其中 EER 達到了 1.67%，相比第二名降低了 11.6%，并遠低于比賽 X-Vector 基線系統(tǒng)（EER=9.05%）。

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

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

在對安全要求非常高的應(yīng)用場景，就會把 FAR 值設(shè)置得低一些，因為判斷錯一次的代價很大，但這樣做的同時會導(dǎo)致 FRR 值上升，用戶體驗度下降。

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

聲紋識別是生物識別技術(shù)的一種，也稱為說話人識別，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研究方向：視覺識別、智能語音、NLP 自然語言處理。其中，在語音識別領(lǐng)域，聲紋識別屬于相對藍海市場，解決的主要是“我是我”的身份認證問題，多應(yīng)用在安全驗證場景。

從近幾年的市場趨勢來看，銀行，金融服務(wù)，保險已成為聲紋識別應(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)用場景的特點進行針對性開發(fā)，將產(chǎn)生巨大的應(yīng)用價值。

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