一、背景

　　當前智能硬件產品中，最耀眼的莫過于百箱大戰的智能音箱、百“機”爭鳴的智能機器人，這些智能語音產品已逐漸走進百姓的視線中。

　　在智能音箱市場中，且不說國外的Amason Echo和Google Home，僅在國內，去年雙十一，天貓精靈99元跳樓價賣了一百萬臺，還有鋪天蓋地而來的小愛同學、叮咚音箱、小雅同學、出門問問等。

　　今年，百度推出比天貓精靈還低10元的小度智能音箱，僅賣89元，燒錢大戰一個比一個狠。在智能機器人市場也同樣打得火熱，這類智能音箱和智能機器人最明顯的特點，就是采用了語音作為全新的交互方式，力圖打造更接近于人與人交流的方式。

　　然而，大部分智能語音產品只能識別出說話的內容，對于相同的問題都會給出相同的反饋信息。雖然交互方式是智能的，但交流方式仍然不夠智能。

　　所謂交流，即有明確對象，和不同對象交流應有不同的回應，聞聲即可識人，這才是更智能的體驗。聲紋識別，正是可以實現這種聞聲識人的技術手段。

　　本文將談談在智能音箱、智能機器人等此類以語音為主要交互方式的智能硬件產品中，除了提升語音識別準確率、語義理解效果外，怎樣使用聲紋識別來進一步提升用戶體驗，讓智能產品更加智能。

　　二、應用場景

　　場景是需求的靈魂，拋開場景談需求都是耍流氓!

　　我們先對場景分分類，聲紋識別作為身份驗證的一種手段，根據不同的安全性要求，我們將應用場景分非關鍵應用場景和關鍵應用場景。

　　非關鍵應用場景：即那些對安全性要求不高，即使誤識也不會產生明顯不良影響，但對用戶體驗要求較高的場合，如：猜猜說話人是誰、個性化的服務推薦(歌曲推薦、餐廳推薦等);

　　關鍵應用場景：這類應用場景有明顯的安全性要求，不能容忍有誤識情況，誤識會帶來明顯的不良影響，如：一些重要的權限控制(家電開關控制等)、聲音購物支付等，這類型場景會犧牲一部分用戶體檢以保證安全性，畢竟魚和熊掌不可兼得!

　　三、應用設計

　　聲紋識別在應用上分為注冊和驗證兩個流程，如下圖所示：
 

 

　　在智能音箱和智能機器人(家庭陪伴機器人)的產品中，聲紋識別其實就是1：N的應用(N的值一般小于10)，音箱和機器人一般都會有一個名字，即喚醒詞，就如同人的名字一樣，以下設計我們暫且給智能硬件起個名字叫“你好同學”。

　　1.聲紋注冊流程設計

　　聲紋注冊是開啟聞聲識人的第一步，注冊者先說幾句話，系統自動將其中的聲紋特征提取出來作為說話人身份的ID，這個過程如同像陌生人做自我介紹一樣，介紹完大家就認識你了。

　　雖然聲紋注冊流程必不可少，但產品設計上卻希望這個流程越簡單越好，最好是不需要注冊這個環節(當然這是不可能的!!!)。

　　在做注冊流程設計前，我們先搞清幾個問題：

　　(1)注冊入口在哪里?

　　目前的智能語音產品在交互方式上，除了用語音，還會分為帶顯示屏和不帶顯示屏，即有部分帶有視覺交互。

　　所以，注冊入口可分為三種：

　　直接在設備上使用語音方式作為注冊入口，即直接對設備說：你好同學，我要注冊聲紋;

　　在設備配套的APP上設置注冊入口，適合無屏的設備;

　　在設備自帶的屏幕上設置注冊入口，類似APP方式。

　　(2)在哪里采集注冊錄音?

　　對于注冊入口在APP上的情況，我們需要搞清楚錄音采集是在設備上，還是在手機上。

　　一般來說，無論注冊入口在哪里，最終的驗證入口都是在設備上，為了避免在不同設備上錄音效果不一樣，造成驗證準確率下降(我們叫這種現象叫信道失配，即注冊信道與驗證信道不一致而帶來的準確率下降的現象)，我們會直接在設備上進行注冊錄音的采集。

　　當然，你非得在APP上錄音，也是可以的，呵呵!

　　(3)非關鍵應用和關鍵應用是否需要單獨注冊?

　　理論上來說，注冊語音越長，識別效果越好，但也需要考慮到用戶體驗。所以，我們可以將注冊流程設計為基礎注冊+加強注冊，其中基礎注冊滿足非關鍵應用場景，加強注冊主要是考慮到關鍵應用場景的安全性問題。

　　(4)聲紋注冊上還有哪些需考慮的點?

　　智能音箱和機器人一般都是遠場語音應用，交互距離最大可達5米，同時也覆蓋了近場語音，所以在說話人離設備的距離不同時，采集的語音質量也會存在差異。對語音識別來說可能不會有太多的影響，但對于聲紋識別來說，會造成聲紋特征的損失。所以在注冊時還需要考慮不同距離，比如：0.5米、3米、5米等。

　　另外，還需要考慮說話的音量、語速等因素，相信隨著識別算法的提升，這些因素都將不會成為產品設計的考慮點。

　　(5)聲紋注冊有哪些表現形式?

　　在注冊的表現形式上，可分為兩種：

　　引導式注冊：根據界面或語音提示，引導用戶一步一步進行注冊，這是最為常用的方式，也是目前最合適的方式。

　　無感知注冊：即不需要指定用戶執行注冊流程即可完成聲紋注冊，打破常規的聲紋注冊-聲紋驗證的應用流程，在使用過程中自動完成聲紋注冊，直接實現“聽聲辨人”，最大限度提升用戶體驗。我們下次再來詳細講一下這種無感知注冊。

　　2.聲紋注冊流程
 

 

　　3.原型設計參考

　　以帶屏設備上或APP上注冊為例，原型僅供參考，在真實項目中仍需要考慮更多的交互細節。對于注冊內容，一般建議使用“喚醒詞+常用短語”的方式。當然，如果追求更簡潔的注冊方式，也可以只讀兩次喚醒詞。
 

 

　　4.聲紋驗證流程設計

　　在聲紋驗證環節，一般通過純語音交互來完成，我們按非關鍵應用場景和關鍵應用場景來設計。

　　(1)非關鍵應用場景驗證

　　最常用的自我身份驗證：對設備說出“你好同學，猜猜我是誰”或“你好同學，我是誰”，設備根據聲紋識別結果回應說話人，比如：設備回應：哎喲，你就那玉樹臨風、風流倜儻、迷死萬千少女兼大媽的彭魚宴。

　　非關鍵應用場景有非常多的玩法，主要圍繞不同身份的個性化推薦來設計，具體大家可以根據實際產品及場景需求來思考。

　　另外，對于帶屏的設備，一般都會具備攝像頭，可以實現人臉識別功能。有些廠家可能會將人臉和聲紋結合起來做身份驗證，這種多維度驗證確實能提高安全性，但建議只在關鍵應用場景下使用兩者作為驗證手段，在非關鍵應用場景中只使用聲紋識別。畢竟如果每次問機器人我是誰時，還要自己找到攝像頭正面看一會才能識別出身份，這樣的體驗非常不好。

　　(2)關鍵應用場景驗證

　　此場景中，需要考慮二次身份核驗，即在喚醒時已做一次身份識別，在說話人做出關鍵操作確定后，比如：確定購買商品，需要進行身份核驗。

　　由于是純語音交互，考慮到安全性，可采用讀4位隨機數字或喚醒詞的方式來驗證，此種情況下聲紋識別必須具備活體檢測功能，以防止通過錄音的方式來假冒說話人聲音。

　　(3)驗證流程設計(實際流程遠比這個復雜)
 

 

　　四、未來應用

　　雖然目前的智能硬件仍在不斷完美語音識別和語義理解的效果，然而，我們相信增加聲紋識別必定會大大提升智能設備的使用體驗，同時亦可增加情緒識別、性別識別、年齡識別，讓機器更懂你。

　　正如電影“her”中的薩曼莎，語音交互水平已達到了強人工智能水平，比與人類交互效果更好。因為her可以在一秒內檢索完主人所提問題關聯到相關知識信息，以更好給出回答，這是人類所不能達到的。要達到人類期望值中的語音交互效果，就必須讓設備能夠：聽得清、聽得懂、學得會、說得出。

　　小結分享

　　賽億方案十三年電子產品硬件及嵌入式軟件開發設計經驗，累計開發產品電子應用設計完成5000多個方案設計;目前為客戶提供理念超前的手機app開發、智能家居系統、電子技術、電子線路設計、PCB設計、電路板設計、單片機技術、智能控制、嵌入式系統等。如有產品方案開發意向，期待您的來訪。