網易 AI Lab 斬獲全球頂級聲紋識別競賽冠軍

近日，全球最大的語音會議INTERSPEECH 2020公佈了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，獲文字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”：布林諾工業大學、新加坡通訊研究院、約翰霍普金斯大學等。

比賽中，網易 AI Lab 基於常見的X-Vector和PLDA演算法，創新地提出了一種ASR-free的文字相關聲紋識別演算法。相比傳統的Deep Speaker Embedding方法，該演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字內容的驗證。

比賽採用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%，並遠低於比賽 X-Vector基線系統（EER=9.05%）。

評估演算法系統效能時常輸出ROC 曲線，用於描述FAR（誤識率）與FRR（拒識率）之間的關係。

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值設定得低一些，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，使用者體驗度下降。


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，是衡量聲紋識別演算法系統綜合效能的重要指標。EER數值越小，系統效能越好。

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，人工智慧主要有三個研究方向：視覺識別、智慧語音、NLP自然語言處理。其中，在語音識別領域，聲紋識別屬於相對藍海市場，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鍼對性開發，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於遊戲場景中。除了進行遊戲身份驗證，還能夠針對音色對使用者進行分類、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，為玩家帶來更好的遊戲體驗。