声纹

定义

声纹指语音信号中携带的、可用于区分不同说话人的特征信息，其含义也扩展到由这些特征或参数构建的语音模型^[1]。按呈现形式，声纹最初指电声学仪器记录下来的、携带言语信息的声波频谱图像，因这类图谱与指纹同样因人而异，故被称为声纹^[2]。同样一句话由不同人说出时，内容相同而声纹不同；同一人不同次发音则内容与声纹两方面都相近，这正是可以据此辨认说话人的前提^[4]。

声纹与语音识别关注的对象不同：语音识别辨认的是说了什么，属于内容层面的共性识别；声纹识别确认的是谁说的，属于说话人层面的个性识别^[4]。声纹既包含与发声器官解剖结构有关的声学特征，如频谱、倒频谱与共振峰，也包含受地域、教育背景影响的发音与用词习惯，以及语调、节奏、语速等韵律特征^[5]。

原理

声纹识别系统的处理流程分为注册与识别两个阶段。注册阶段对使用者预留的语音逐帧提取特征，训练出各自的说话人模型，汇集成模型库；识别阶段对待测语音做同样的特征提取，再与库中模型逐一比对并给出相似度得分，据此判定说话人身份^[1]。因此，特征提取与模式匹配构成此类系统的两个核心环节^[2]。

在特征提取环节，语音先被切成 20 至 50 毫秒左右的短帧，加窗后经快速傅里叶变换得到能量谱，再通过梅尔尺度的三角滤波器组压缩频域冗余，最后经离散余弦变换获得梅尔频率倒谱系数(MFCC)，此外也常用感知线性预测系数与滤波器组特征^[6]。这类倒谱特征主要刻画声道的谱包络，而声道的形状与长度因人而异，因而带有说话人信息^[7]。

早期的统计建模以高斯混合模型——通用背景模型(GMM-UBM)为代表：先用大量说话人的语音训练一个刻画人类语音共同声学空间的背景模型，再以最大后验自适应为每个目标说话人生成单独的模型，识别时比较目标模型与背景模型的似然比^[7]。其后出现的 i-vector 方法把高维的 GMM 均值超矢量投影到低维的总变化空间，得到 400 至 600 维的定长向量，再借助线性判别分析与概率线性判别分析分离说话人信息与信道影响^[7]。

深度学习引入后，说话人建模转向端到端方式。d-vector 通过神经网络逐层学习说话人特征；x-vector 在时延神经网络后接统计量池化层，把帧级特征聚合成段级向量；ECAPA-TDNN 进一步引入残差模块与注意力池化，在公开测试集上的等错误率可低于 1%^[1][7]。与此同时，加噪、加混响等数据增强手段被广泛用于提升系统在复杂声学环境下的稳健性^[7]。

发展历程

声纹概念的形成与语谱图仪器相关。20 世纪 40 年代，美国贝尔实验室研制出可将语音绘制成可视图像的声谱仪，研究者通过肉眼比较语谱图来匹配说话人，并提出“声纹”一词^[2]。关于确切年份，公开材料存在 1944 年与 1945 年两种说法^[2][4]。

20 世纪 60 年代起，以语谱图视觉比对为基础的声纹鉴定进入法庭应用，但其科学性长期受到争议。美国国家研究委员会 1979 年的评估指出，该方法所依赖的假定，特别是同一说话人的变异程度与不同说话人的重叠程度，缺乏充分的科学理论与代表性数据支撑^[8]。到 20 世纪 90 年代，这种视觉比对方法的使用持续减少，司法语音比较转向听觉、声学与计算机辅助相结合的证据评估路径^[8]。

在自动识别方向，GMM-UBM 在 20 世纪 90 年代末至 21 世纪初成为文本无关说话人识别的标准框架，i-vector 随后成为主流表征方式，二者在多次国际说话人识别评测中取得较好结果^[7]。2010 年代以后，基于深度神经网络的说话人嵌入逐步取代传统统计模型^[7]。中国自 2008 年起陆续发布自动声纹识别、安防声纹确认、声纹数据安全等标准，如 2022 年的《信息安全技术 声纹识别数据安全要求》与 2023 年的《信息技术 移动设备生物特征识别 第 5 部分：声纹》^[9][10][11]。

应用

在身份认证领域，声纹采集只需麦克风或电话、手机等常见设备，硬件门槛低，适合远程核验场景^[12]。按任务形式，声纹识别可分为确认、辨认、检出与追踪：确认判断一段语音是否出自某位给定说话人，辨认从一组候选说话人中判定来源，检出判断目标说话人是否出现在语音中，追踪则进一步标出其语音段的位置^[1]。金融、政务与移动设备解锁等场景已有相应的技术规范约束其安全应用^[9]。

在公共安全与司法领域，声纹用于语音同一性鉴定，即判断两段语音是否出自同一人。中国已发布《法庭科学语音同一认定技术规范》与《语音同一性鉴定技术规范》等行业标准，并制定《公共安全 声纹识别应用》系列国家标准，对声纹语音文件的来源、质量检测分级与建库作出规定^[13][14]。此外，声纹还可与语音识别结合使用，用于提升身份认证系统的安全性^[1]。

局限

声纹虽然是相对稳定的生物特征，但并非一成不变。少年变声期、年龄增长、情绪波动与身体状况变化都可能使同一个人在不同时期的声纹出现差异，从而降低识别性能^[3][12]。材料还指出，这种变异可来自生理、病理、心理以及有意的模仿与伪装，并受环境干扰影响^[5]。

采集条件对声纹影响明显。不同麦克风与信道会使同一说话人的特征发生偏移，环境噪声和多人同时说话的情形也会干扰识别^[12]。以梅尔频率倒谱系数为基础的系统在信噪比降至 10 分贝时，识别准确率可能由洁净条件下的 95% 以上跌至 60% 以下；倒谱均值归一化、谱减等补偿手段只能部分弥补信息损失^[7]。

传统统计模型还受语音时长的约束。GMM-UBM 需要足够的语音样本来估计稳定的统计量，只有几秒语音时估计结果不够可靠^[7]。这些方法把语音视为独立帧序列，忽略了携带说话人信息的时间结构，也依赖对语音特征统计分布的假设与大量标注数据^[7]。基于深度学习的系统同样以频谱类特征为前端输入，网络可以通过数据增强提升稳健性，但无法获得频谱表示中原本不存在的信息^[7]。

参见

• 语音识别 —— 与声纹识别相对，关注语音内容而非说话人身份的技术。

• 生物特征识别 —— 声纹所属的技术类别，还包括指纹、人脸等识别方式。

• 梅尔频率倒谱系数 —— 声纹识别中最常用的声学特征之一。

• 说话人识别 —— 依据声纹判定说话人身份的技术，也称声纹识别。

• 语谱图 —— 声纹概念最初所依托的可视化语音图谱。