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，網易 AI Lab 從眾多國際頂級隊伍中脫穎而出，獲文本相關聲紋識別賽道綜合排名第一、單模型第一的雙料冠軍。彰顯了網易 AI Lab 在語音聲紋識別技術領域的領先地位。

　　本次國際聲紋識別比賽是業界非常具備權威性的賽事，參賽隊伍來自國際多家知名高校與企業，包括近兩年全球各項聲紋識別比賽中的“常勝將軍”：布爾諾工業大學、新加坡通信研究院、約翰霍普金斯大學等。

　　比賽中，網易 AI Lab 基于常見的X-Vector 和 PLDA 算法，創新地提出了一種 ASR-free 的文本相關聲紋識別算法。相比傳統的 Deep Speaker Embedding 方法，該算法不需要依賴語音識別，就能夠在多語言環境下，同時完成說話人和文本內容的驗證。

　　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(EER=9.05%)。

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

　　簡單說，在聲紋識別中，誤識率就是“把不應該匹配的聲紋當成匹配聲紋”的比例，拒識率則是“把應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用場景，就會把 FAR 值設置得低一些，因為判斷錯一次的代價很大，但這樣做的同時會導致 FRR 值上升，用戶體驗度下降。

　　等錯誤率(EER)是系統的誤識率(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綜合性能的重要指標。EER 數值越小，系統性能越好。

　　聲紋識別是生物識別技術的一種，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。

　　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，保險已成為聲紋識別應用的領導領域。

　　隨著技術的不斷成熟和融合，聲紋識別技術將逐漸融入日常生活，根據不同應用場景的特點進行針對性開發，將產生巨大的應用價值。

　　而網易 AI Lab 聲紋識別技術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、匹配實力相當的對手，為玩家帶來更好的游戲體驗。
　　（河北小程序開發）