背景介紹

聲紋檢索，顧名思義就是說話人識別，通過聲音來驗證或者識別說話人的聲音。聲紋識別的關(guān)鍵步驟就是聲音向量化，將說話人的聲音將其轉(zhuǎn)化成結(jié)構(gòu)化的向量。阿里云AnalyticDB向量版，提供了一套聲紋驗證檢索的解決方案。用戶只需要使用簡單的幾條SQL命令，三步之內(nèi)就可以搭建一套高精度的聲紋檢索驗證服務(wù)。

聲紋識別技術(shù)

1）聲紋檢索演示

圖1展示了AnalyticDB向量數(shù)據(jù)庫的聲紋檢索系統(tǒng)的演示界面。為了方便用戶體驗，我們將380個人的聲音信息，轉(zhuǎn)化成向量存儲在系統(tǒng)中。當(dāng)前演示系統(tǒng)分成兩部分，第一部分是檢索部分，用戶輸入錄制好的聲音文件或者用戶現(xiàn)場進行錄音上傳聲音文件，提交到聲紋庫進行聲音的匹配檢索。第二部分是注冊部分，用戶可以注冊上傳自己的聲音到當(dāng)前的聲紋庫里面，方便后期的查詢驗證。在接下來的章節(jié)中，我們分別介紹各個功能。

圖1. 聲紋演示系統(tǒng)

圖2上傳一段S0004的測試音頻“BAC009S0004W0486.wav”到聲紋庫里面進行檢索，可以看到TOP1的結(jié)果S0004就會在最上面進行展示。

圖2. 查詢聲音

圖3展示了聲紋注冊系統(tǒng)，用戶可以注冊自己的聲音到后臺聲紋庫里面，方便檢索。比方說，用戶Hanchao注冊自己的聲音（只有7s長度），到當(dāng)前的系統(tǒng)里面來。當(dāng)前系統(tǒng)支持無文本注冊，用戶可以說任何話來進行注冊。

圖3. 注冊聲音

圖4演示用戶現(xiàn)場錄制聲音，上傳到系統(tǒng)中，進行檢索。比方說，“Hanchao”錄制了一段5秒的語音到聲紋系統(tǒng)中進行檢索。之前注冊過“Hanchao”的聲音，當(dāng)前系統(tǒng)可以看到排名第一的聲音就是“Hanchao”的聲音。

圖4. 錄制并檢索聲音

當(dāng)前對于聲紋演示，我們采用的是1:N的演示結(jié)果，可以用在會議室中的識別，通過聲音可以找到相關(guān)的會議說話人。當(dāng)前，對于身份驗證，這種1:1的演示，我們只用限制距離小于550，就可以方便的進行身份驗證。

2）應(yīng)用結(jié)構(gòu)總體設(shè)計

阿里云聲紋庫檢索的系統(tǒng)框架的總體架構(gòu)如圖5所示，AnalyticDB（聲紋庫）負(fù)責(zé)整個聲紋檢索應(yīng)用的全部結(jié)構(gòu)化信息（用戶注冊標(biāo)識，用戶姓名，以及其他的用戶信息）和非結(jié)構(gòu)化信息（聲音產(chǎn)生的向量）的存儲和查詢。在查詢的過程中，用戶通過聲紋抽取模型，將聲音轉(zhuǎn)成向量，在AnalyticDB中進行查詢。系統(tǒng)返還回來相關(guān)的用戶信息，以及l(fā)2向量距離[5]。其中聲音抽取模型的訓(xùn)練和測試，我們在下一章進行講解。

圖5. 聲紋檢索庫

3）系統(tǒng)精度

當(dāng)前演示聲紋系統(tǒng)，采用的是GMM-UMB模型抽取的i-vector作為檢索向量[3]。另外，我們還訓(xùn)練了精度更高的深度學(xué)習(xí)聲紋識別模型（x-vector[4]）。并且，可以針對特定的場景，比方說電話通話場景，手機APP場景，嘈雜噪聲場景等相關(guān)的場景進行聲紋模型訓(xùn)練，詳細(xì)信息可以加我們的群進行了解。

聲紋識別在學(xué)術(shù)界常用的數(shù)據(jù)集（Aishall.v1 [1]數(shù)據(jù)集和TIMIT [2]數(shù)據(jù)集）上面的（1:N）的準(zhǔn)確率（>99.5%，見表1）。

表1. Top 1 精度測試結(jié)果

三步搭建一個聲紋系統(tǒng)

第一步，初始化。

當(dāng)前系統(tǒng)實現(xiàn)了聲音轉(zhuǎn)向量的函數(shù)，用戶將前端得到的聲音通過POST請求，發(fā)給阿里云服務(wù)系統(tǒng)，選擇對應(yīng)的聲紋模型，就可以將聲音轉(zhuǎn)成對應(yīng)的向量。

import requestsimport jsonimport numpy as np# sound： 聲音二進制文件。# model_id：模型id。def get_vector(sound, model_id='i-vector'): url = 'http://47.111.21.183:18089/demo/vdb/v1/retrieve' d = {'resource': sound, 'model_id': model_id} r = requests.post(url, data=d) js = json.loads(r.text) return np.array(js['emb'])# 讀取用戶文件。file = 'xxx.wav'data = f.read()print(get_vector(data))f.close()

在初始化的過程中，用戶創(chuàng)建相關(guān)的用戶聲紋表。同時，給表的向量列加入向量索引，來加速查詢過程。當(dāng)前聲紋模型輸出的都是400維的向量，所以索引參數(shù)dim設(shè)置為400。

--創(chuàng)建用戶聲紋表CREATE TABLE person_voiceprint_detection_table( id serial primary key, name varchar, voiceprint_feature float4[]);--創(chuàng)建向量索引CREATE INDEX person_voiceprint_detection_table_idx ON person_voiceprint_detection_table USING ann(voiceprint_feature) WITH(distancemeasure=L2,dim=400,pq_segments=40);

第二步，注冊用戶聲音。

在注冊的過程中，注冊一個用戶，插入一條記錄到當(dāng)前系統(tǒng)中。

--注冊用戶'張三'到當(dāng)前的系統(tǒng)中。--通過HTTP服務(wù)，將聲紋轉(zhuǎn)化成相關(guān)的向量。INSERT INTO person_voiceprint_detection_table(name, voiceprint_feature)SELECT '張三', array[-0.017,-0.032,...]::float4[])

第三步，檢索或驗證用戶聲音。

聲紋門鎖驗證（1:1 驗證）：在驗證系統(tǒng)中，系統(tǒng)會得到用戶的標(biāo)識信息（user_id），在聲紋庫中計算輸入的聲音向量和庫里該用戶的聲音向量的距離。一般系統(tǒng)會設(shè)置一個距離閾值（threshold=550），如果向量之間的距離大于這個閾值，說明驗證失敗。如果小于閾值，說明聲紋驗證成功。

-- 聲紋門鎖檢測(1:1)驗證SELECT id, -- 用戶id信息 name, -- 用戶姓名 l2_distance(voiceprint_feature, ARRAY[-0.017,-0.032,...]::float4[]) AS distance -- 向量距離 FROM person_voiceprint_detection_table -- 用戶聲音表WHERE distance < threshold -- 通常情況下，threshold為550 AND id = 'user_id' -- 用戶要驗證的id;

會議聲紋檢索（1:N 檢測）：系統(tǒng)通過識別當(dāng)前講話人的聲音，會返回最相關(guān)的注冊用戶信息。如果沒有返回結(jié)果，說明當(dāng)前會議說話人不在聲紋庫里面。

-- 聲紋會議人員識別(1:N)驗證SELECT id, -- 用戶id信息 name, -- 用戶姓名 l2_distance(voiceprint_feature, ARRAY[-0.017,-0.032,...]::float4[]) AS distance -- 向量距離 FROM person_voiceprint_detection_table -- 用戶聲音表WHERE distance < threshold -- 通常情況下，threshold為550 ORDER BY voiceprint_feature <-> ARRAY[-0.017,-0.032,...]::float4[] -- 利用向量進行排序LIMIT 1; -- 返回最相似的結(jié)果

[[397591]]