聲紋識別原理

聲紋是用電聲學儀器顯示的攜帶言語信息的聲波頻譜,。人類語言的產生是人體語言中樞與發(fā)音器官之間一個復雜的生理物理過程,，人在講話時使用的發(fā)聲器官--舌,、牙齒,、喉頭、肺,、鼻腔在尺寸和形態(tài)方面每個人的差異很大，所以任何兩個人的聲紋圖譜都有差異,。這也使得聲紋識別也可以稱為身份認證的一種方式,。

聲紋識別優(yōu)缺點

1、聲紋識別的優(yōu)勢在于：

（1）聲紋提取方便,，可在不知不覺中完成,，因此使用者的接受程度也高；

（2）獲取語音的識別成本低廉,，使用簡單,，一個麥克風即可，在使用通訊設備時更無需額外的錄音設備,；

（3）適合遠程身份確認,，只需要一個麥克風或電話、手機就可以通過網路（通訊網絡或互聯(lián)網絡）實現(xiàn)遠程登錄,；

（4）聲紋辨認和確認的算法復雜度低,；

（5）配合一些其他措施，如通過語音識別進行內容鑒別等,，可以提高準確率,。這些優(yōu)勢使得聲紋識別的應用越來越受到系統(tǒng)開發(fā)者和用戶青睞,。

2、聲紋識別的缺點：

當然,，聲紋識別的應用有一些缺點,，比如同一個人的聲音具有易變性，易受身體狀況,、年齡,、情緒等的影響；比如不同的麥克風和信道對識別性能有影響,；比如環(huán)境噪音對識別有干擾,；又比如混合說話人的情形下人的聲紋特征不易提取等等。

聲紋識別的過程

聲紋識別的過程包括：語音信號處理,、聲紋特征提取,、聲紋建模、聲紋比對,、判別決策等,。

聲紋識別匹配模式

聲紋識別技術的關鍵在于對各種聲學特征參數(shù)進行處理，并確定模式匹配方法,，主要的模式匹配方法包括：

1,、模板匹配方法：利用動態(tài)時間彎折（DTW）以對準訓練和測試特征序列，主要用于固定詞組的應用（通常為文本相關任務）,；

2,、最近鄰方法：訓練時保留所有特征矢量，識別時對每個矢量都找到訓練矢量中最近的K個,，據(jù)此進行識別,，通常模型存儲和相似計算的量都很大；

3,、神經網絡方法：有很多種形式,，如多層感知、徑向基函數(shù)（RBF）等,，可以顯式訓練以區(qū)分說話人和其背景說話人,，其訓練量很大，且模型的可推廣性不好,；

5、VQ聚類方法（如LBG）：效果比較好,，算法復雜度也不高,，和HMM方法配合起來更可以收到更好的效果；

6,、多項式分類器方法：有較高的精度,，但模型存儲和計算量都比較大,；

此外還有概率統(tǒng)計方法、動態(tài)時間規(guī)整方法,、矢量量化方法等等,。

聲紋識別技術的難點

目前，聲紋識別技術的市場應用并不廣泛,,，但并非這項技術本身不成熟,，而是由于實際商業(yè)應用場景的復雜性，很可能導致身份識別產生較大誤差,。

首先,，說話人的語音聲學特征不可避免地具有發(fā)展性和變異性,，既便是同一個人,，即便采集到的兩段語音內容都是相同的，但是在不同的時期或特殊的情境下,，由于情緒,、語速、疲勞程度等原因,，聲紋特征也不盡一致,；

其次，聲紋特征提取是在現(xiàn)實環(huán)境中進行的,，如何降噪以及去混響依然是聲紋識別的一大難題,。在外部環(huán)境中，各種噪音都會通過錄音設備采集進來,，這些噪音會在一定程度上混淆或者淹沒說話人信息,，使得聲紋系統(tǒng)無法獲取準確的說話人聲紋特征。因此,，應用聲紋識別技術的產品大多適合在相對安靜的場合使用,。