首頁>>廠商>>軟件開發(fā)商>>南京北極星軟件

高端人聲識別技術的研究與應用

2001/08/02

一、 技術背景

是否有過這樣的經歷？已經是某某企業(yè)呼叫中心的�？土�，但撥通該呼叫中心的號碼時，還是必須向客服人員解釋你是他們某某產品的用戶，而今你必須獲得他們的維修服務。這個自報家門的工作其實足夠繁瑣到令你放棄這次呼叫。

但有一種新型的技術可以讓你在撥通電話、發(fā)出第一個音節(jié)時就被“驗明身份”。設想你撥打一個很久以前曾撥打過的呼叫中心號碼，準備詢問呼叫中心的客服人員你罷工的油煙機該找誰修理。根據(jù)語音提示進入服務區(qū)后，“hi，我…”你的請求還沒有說完，客服小姐已經在向你問候了：“王女士，您的油煙機用的怎么樣了？”

在這個過程中，客服小姐是利用呼叫中心的SR系統(tǒng)，根據(jù)王女士的聲音，對其身份進行鑒別的。所以無需浪費任何時間，客服小姐在第一時間知道電話請求者是王女士。至于她有一臺該呼叫中心所屬企業(yè)售出的油煙機的事情，客服小姐是從系統(tǒng)的數(shù)據(jù)庫里知道的。

人聲識別技術（SR——Speaker Recognition）是一種以話音對說話人進行區(qū)分，從而進行身份鑒別與認證的技術。墜落在中國海南的美國EP-3飛機被宣稱藏有大量說話人識別技術的機密，據(jù)說其技術水平已經可以區(qū)分出“是誰打的嗝兒”。在國外，說話人識別技術被廣泛研究，也已有少量成熟產品問世。AT&T、TI（美國德州儀器公司）與美國著名的通訊公司Sprint已經開始在聲音識別領域的實驗和實際的應用。

說話人識別技術有著廣闊的市場應用前景。通過SR技術，可以利用人本身的生物特性進行身份鑒別，如給公安部門進行語音驗證、對一般用戶進行防盜門開啟等。在互聯(lián)網應用及通信領域，SR技術可以應用于諸如聲音撥號、電話銀行、電話購物、數(shù)據(jù)庫訪問、信息服務、語音Email、安全控制、計算機遠程登陸等。

在呼叫中心應用上，SR技術同樣可以提供更加個性化的人機交互界面。當顧客以電話方式對呼叫中心進行請求時，系統(tǒng)能夠根據(jù)話音判斷出來者的身份，從而提供更個性化、更貼心的服務。在國內的SR研究中，已經處于怎樣的進展水平？據(jù)了解，南京北極星軟件公司的研究走在了國內其他廠商的前列，其采用SR技術構造的呼叫中心產品也即將推出。

二、技術原理

SR有著深刻的技術背景。其基本原理是通過分析人的發(fā)聲和聽覺，為每個人構造一個獨一無二的數(shù)學模型，由計算機對模型和實際輸入的語音進行精確匹配，根據(jù)匹配結果辨認出說話人是誰。該原理同說話人的生理特性和行為特性密切相關。“人”的生物特性既存在于聲譜表面（聲道特性），也存在于聲音的來源或數(shù)個不連續(xù)的聲音片斷。從人的這些特性中提取出有效的音頻特征，進行數(shù)學建模，并將與之相關的資料存進數(shù)據(jù)庫。SR服務器根據(jù)輸入的音頻特征在數(shù)據(jù)庫里進行檢索，從而進行精確匹配。

在北極星公司的研究中，構造了“訓練模塊”和“識別模塊”，兩種模塊使用同樣的數(shù)學算法和模型。

訓練模塊

訓練模塊又由兩個部分組成：音頻特征提取部分和構造數(shù)學模型部分。

音頻特征提取時，根據(jù)人的發(fā)聲原理和聽覺原理，采用了MFCC和LPCC的特征提出算法。該算法可以將人的聲音提取出能量分布譜。這種算法能從聲音數(shù)據(jù)中獲得說話人的獨特特征。但是當人說不同的話時，分布譜會受到影響。也就是說即使是同一個人，如果說的話不同，聲音分布譜也是不同的。為解決這個問題，必須進行第二部分，構造數(shù)學模型。

構造數(shù)學模型時，使用了GMM和CHMM的算法。它可以將人在多個短時間內的能量分布譜構造成多個高斯分布。通過EM算法進行訓練，找出最為合理的高斯分布組。實驗中，北極星為每個接受訓練者構造一個獨一無二的數(shù)學模型。

識別模塊

識別模塊也由兩個部分組成：音頻特征提取部分和數(shù)學模型的概率估計部分。

音頻特征提取時，采用的方法和訓練模塊相同。

做概率估計時，將特征提取的結果帶入原來訓練出來的數(shù)學模型中，計算出概率，將多個特征譜的概率取對數(shù)求和，即計算出該人符合這個數(shù)學模型的概率。概率較大時即可進行身份確認和檢驗。

三、技術應用

SR技術的應用在國際上已經比較成熟。Sprint的聲音電話卡（Voice Phone Card）擁有眾多的用戶。電話卡的擁有者只需對著電話念出對方的電話，智能卡根據(jù)聲音進行鑒權，判斷說話人是否是電話卡的合法使用者，從而做出撥通與否的決定。在這種方式中，SR技術創(chuàng)造出的增值業(yè)務為運營商帶來豐厚的收益，也為我們的日常生活帶來便利。

在我國，由于漢語言的獨特性，國外SR研究的技術成果無法直接使用。國內眾多廠商也缺少語音方面的技術積累，進入該領域的步伐相對滯后。為了將這種尖端的技術引入中國，北極星軟件已經開始了自己的研究歷程，并致力于將現(xiàn)有的研究成果產業(yè)化，結合到其呼叫中心產品FineSupport IP Contact Center中來，增加產品的實用性和科技含量。

SR技術的這種特性應用在呼叫中心等語音產品上時，能為之帶來前所未有的變革。

目前幾乎所有的呼叫中心都采用來電顯示的方法來對發(fā)起呼叫請求的用戶進行身份鑒別。這種方法有極大的不確定性。當不同的用戶使用同一個電話號碼進行呼叫時，呼叫中心系統(tǒng)無法對之進行相應的區(qū)分；另一個問題，同一個客戶不會也不可能僅使用一個電話同呼叫中心進行聯(lián)絡，如果客戶更換電話，呼叫中心同樣不能認出這是“老朋友”，從而無法迅捷地提供個性化的服務。

北極星軟件公司將SR的研究應用到呼叫中心產品，在原有的系統(tǒng)中加入了語音鑒別設備SR Server（說話人識別服務器），從而能夠通過客戶的聲音進行檢索，解決了一個客戶使用多個電話和多個客戶使用一個電話、不同客戶交叉使用不同電話的問題，為客戶提供真正“一對一”個性化的服務。這種新型FineSupport IP Contact Center的結構圖如下：

其工作過程如下：

1. 用戶撥打呼叫中心的電話號碼；

2. 由ACD響應，并將電話接入IVR（交互語音應答系統(tǒng)），詢問客戶需要幫助的類型，并將客戶的語音應答傳送到SR Server；

3. SR Server根據(jù)原有的語音訓練模型對該用戶進行識別，并到數(shù)據(jù)庫進行認證和檢索；

4. 如果此時有接線人員處于空閑狀態(tài)，ACD將這個呼叫轉移，并同SR Server識別的結果傳送到接線人員的計算機上；

5. 如果SR的識別結果為空（此前該用戶沒有撥打過本呼叫中心的電話），系統(tǒng)可以為該用戶建立模型，以供下次識別時使用。

四、未來方向

SR未來的發(fā)展方向包含兩方面的內容：研究方法和市場應用。

在SR的研究方法上，盡管北極星已經取得不錯的進展，尋找更加優(yōu)良的研究方法仍然有相當艱巨的路要走。由于技術條件所限，目前所采用的抽樣建模方法等還存在著不足。對SR最有影響的因素是在不同實驗中聲音特性信號的變更，包括說話者生理上的變動性，以及實驗條件的不穩(wěn)定性等。這就對SR識別系統(tǒng)形成嚴峻的挑戰(zhàn)。它必須能適應這些變化。SR的未來研究中將包含提取聲音長期穩(wěn)定的特征參數(shù)的問題。另外，在兩個人進行交談時，能自動從中提取出每個人的聲音特性并加以區(qū)分的技術也是值得研究的方向。在下一步的研究中，北極星將繼續(xù)提高系統(tǒng)的識別率，同時進行更大規(guī)模的電話語音測試。

SR的市場應用也是一個重要的課題。毫無疑問，隨著研究技術的日臻完善，SR的市場應用也將趨于成熟。FineSupport的崛起打開了SR在中國應用的缺口，為企業(yè)建立個性化的呼叫中心提供了更多的選擇，增加了可行性。在相關法律、金融等領域，SR技術也將是其嘗試運作嶄新工作方式的契機。

摘自計算機世界網