快商通李稀敏：近场声纹识别将普及，本地化的AI能力是刚需

10月26日，第四届Kaldi线下交流会在北京·小米科技园举行。

李稀敏博士在以“人机语音交互是否必须要先唤醒和离线语音技术在本地端上的实现是否未来的趋势”为题的圆桌讨论。与猎户星空&Kaldi群主吴本谷、小米智能科技的语音负责人王育军、知存科技CEO王绍迪共同探讨了人机语音交互前沿趋势。

以下为李稀敏博士的精彩分享：

01.人机交互必须要先唤醒吗？

语音交互流程被划分为五个环节 – 唤醒、响应、输入、理解、反馈。其中唤醒是每一次用户与语音产品交互的第一个接触点，唤醒环节的体验在整个语音交互流程中至关重要，它的体验好坏将直接影响用户对产品的“第一印象”。就目前市面上常见的语音交互产品来说，一个眼神或者一个动作还不能引起它的注意，因此需要定义一个将产品从待机状态切换到工作状态的词语，即所谓的“唤醒词”。比如“小度小度”“若琪”“叮咚叮咚”。那么，人机交互我们必须要先唤醒吗？

李稀敏认为：随着技术场景越来越成熟，当机器具备足够的智能化，机器是可以不需要唤醒词，就像跟人对话一样自然。但距离无唤醒交互的实现，还有一段路要走。

从声纹识别的角度来看有两种场景，第一种，用唤醒词作为命令词，设备在休眠或锁屏状态下也能检测到用户的声音(设定的语音指令，即唤醒词)，让处于休眠状态下的设备直接进入到等待指令状态，开启语音交互第一步。第二种设置一个“唤醒词”，这时候我们可以将设备唤醒比作水龙头的开关，如果水龙头没有开关的话，摁都摁不住是吧？就像智能音响交互的时候，设备乱七八糟的识别了一大堆语音，这个东西出来摁都摁不住，所以人机交互还是要有“唤醒”步骤。但是否需要唤醒词，还需根据场景的需求来决定，没有所谓的通用答案。

02.声纹识别是否可以改进人机交互方式？

最近一段时间很火的苹果AirPods，华为荣耀FlyPods Pro都在主打身份识别。目前的唤醒大家都是在用这个特定的唤醒词，如果改用声纹识别，是否可以改变这种交互的方式？

李稀敏认为：在不同的场景中，最佳的唤醒的方式可以不同，但在耳机等可穿戴设备的场景中，声纹识别因其高易用性、非接触、不需要前置设备等优点，相对其他生物识别技术，能够更好的解决该场景的实际身份认证的问题，进而改进人机交互体验。

03.实现本地端离线语音技术是未来趋势？

“在贴身的耳机，也就是本地端做声纹识别，其实避免了一个技术问题：远场识别”，李稀敏解释。远场的文本无关身份识别由于复杂的信号传播环境等原因，是目前的技术难点，还有很长的路要走。但相对来说，近场的身份识别，在本地端可以通过技术手段快速解决问题。所以，接下来本地端近场身份识别能够大面积普及，在今后很多场景，我们随身携带一个小设备都能够直接识别身份。

关于本地化是不是未来的趋势。从数据的角度来讲，很多人是不希望自己的声音信息，人脸信息，通过设备或各种隐私接口上传到云端且变为不可控。李稀敏认为，从这个角度来看，本地化的AI的能力是一个刚需。

04.大热的语音合成技术TTS，跟声纹识别PK，谁会更胜一筹？

对于使用录音、合成语音等攻击手段的识别，是声纹识别必须要解决的问题。快商通在为银行、保险等金融客户设计声纹身份识别系统，这个是第一个需要解决的问题。

目前，对声纹认证的攻击，大概分成几类，第一类是模仿，第二类是语音合成或者语音转换，第三类是录音重放。根据实际欺诈的手段来讲，目前主要是防录音重放。其中，录音重放是最难检测的。解决了录音重放问题，就相当于解决了语音拼接和语音合成问题。

快商通在这一点上做得比较领先，我们的首席科学家李海洲院士，团队在ASVspoof2017自动说话人验证欺骗和对策挑战赛中获得第一名。包括在许多银行客户的测试中，我们都是100%检测到录音重放。

另外分享个故事，除了算法和系统本身领先，解决方案还需要数据驱动，大量的录音样本、各种设备、各种采样率、各种时长、各种环境的训练。1年前，我们在北京几家银行做测试的时候，白天我们在地铁上，在最嘈杂的环境下，各种测试都攻不破。

但晚上，我住在清华大学里，在10:00、11:00左右夜深人静、一点声音都没有的时候，掏出了我们的APP进行测试，却被攻破了。说明当时我们的训练数据没有覆盖到无杂音、无噪音的情况，当然，现在已经覆盖到了（笑）。