張 穎

（信息網(wǎng)絡(luò)安全公安部重點實驗室公安部第三研究所 上海 201204）

1 引言

隨著計算機互聯(lián)網(wǎng)絡(luò)的不斷發(fā)展和壯大，網(wǎng)絡(luò)語音聊天工具因此也逐漸得到廣泛的應(yīng)用和普及。但因其便利性、匿名性和普遍性，它在為廣大網(wǎng)絡(luò)用戶提供方便快捷的交流方式的同時，也為部分違法犯罪分子利用其進行交流或者實施違法犯罪行為埋下了隱患。根據(jù)公安部2006年8月24日頒布的《公安機關(guān)辦理行政案件程序規(guī)定》第4章第23條，電子證據(jù)已經(jīng)明確被納入到公安機關(guān)辦理行政案件的證據(jù)中來。而其他相關(guān)法令條款例如《中華人民共和國電子簽名法》和《合同法》等，也已經(jīng)承認(rèn)并接納了電子證據(jù)的存在。這也就意味著，作為電子證據(jù)的一種，通過合法途徑取得的網(wǎng)絡(luò)語音聊天音頻記錄在偵破工作中可以作為證據(jù)使用。而以事實為例，在我鑒定中心受理的案件中，便不乏委托方提供網(wǎng)絡(luò)語音聊天音頻作為檢材的情況出現(xiàn)。從這個角度上來說，網(wǎng)絡(luò)語音聊天音頻對偵破工作的進行以及司法鑒定工作的展開，有著相當(dāng)重要的意義。

但由于不同的網(wǎng)絡(luò)語音軟件造成的傳輸信道差異，以及同一網(wǎng)絡(luò)語音軟件的不同版本等種種原因，都會造成網(wǎng)絡(luò)語音聊天和真人語音間響度、音高、音色的些許差別，這就會為語音鑒定工作的進行帶來一定困難。

為了進一步討論這個問題，在這篇文章中，我們將借助相關(guān)軟件對網(wǎng)絡(luò)語音聊天音頻進行辨析，從寬帶語譜圖和共振峰頻率兩方面，通過各組數(shù)據(jù)具體分析了其與真人語音的差別。此文只討論使用Skype和QQ兩種軟件進行語音聊天的音頻。

2 網(wǎng)絡(luò)語音聊天原理實現(xiàn)原理

網(wǎng)絡(luò)語音聊天，又稱VoIP （voice over internet protocol），指的是在使用了互聯(lián)網(wǎng)協(xié)議的網(wǎng)絡(luò)上進行語音傳輸，其中的IP是代表互聯(lián)網(wǎng)協(xié)議，它是互聯(lián)網(wǎng)的中樞，互聯(lián)網(wǎng)協(xié)議可以將電子郵件，即時訊息以及網(wǎng)頁傳輸?shù)匠汕先f的PC或者手機上[1]。其最大的優(yōu)勢是能廣泛地采用Internet和全球IP互連的環(huán)境，提供比傳統(tǒng)業(yè)務(wù)更多、更好的服務(wù)[2]。

VoIP模型的基本結(jié)構(gòu)圖如圖1所示。圖1展示了VoIP設(shè)備將語音信號轉(zhuǎn)換為IP數(shù)據(jù)流，接著把數(shù)據(jù)流發(fā)送到IP目的地，最后IP目的地又將這些數(shù)據(jù)流轉(zhuǎn)換回語音信號的過程。具體而言，VoIP的傳輸過程分為語音-數(shù)據(jù)轉(zhuǎn)換，原數(shù)據(jù)到IP轉(zhuǎn)換，傳送，IP包—數(shù)據(jù)的轉(zhuǎn)換和數(shù)字語音轉(zhuǎn)換為模擬語音5個階段[3]。在此便不作詳細(xì)闡述。

圖1 VoIP的模型結(jié)構(gòu)

3 實驗條件與聲樣采集

3.1 實驗設(shè)備

硬件：語音鑒定工作站，麥克風(fēng)，耳機。

軟件：VS5.0語音工作站，TotalRecorder錄音軟件，QQ2009，Skype簡體中文3.8正式版。

3.2 說話人

隨機抽取6名說話人，年齡于20歲到40歲之間，其中3人為女性，其余3人為男性，錄音時說話人語音清晰正常，未受感冒等其他不良因素影響。

3.3 聲樣內(nèi)容

聲樣內(nèi)容為一段接近25 s的文字，詞量充足。

3.4 實驗過程

說話人登錄網(wǎng)絡(luò)聊天軟件，撥通實驗組織者的用戶號碼。連接成功后，雙方均在各自的鑒定工作站上打開TotalRecorder軟件，記錄所有聊天內(nèi)容。聲樣內(nèi)容讀完后，雙方分別在各自的鑒定工作站上保存原聲以及經(jīng)過聊天軟件后輸出的音頻。其中，對于QQ軟件，原聲及輸出音頻均為使用TotalRecorder錄制，而對于Skype軟件，輸出音頻由Skype軟件自帶錄音功能錄制。

3.5 實驗參數(shù)

3.5.1 采樣參數(shù)

TotalRecorder采樣率8000 Hz，16位，單聲道。

3.5.2 長時平均LPC實驗參數(shù)

幀長20 ms，分析階數(shù)14階，運算點數(shù)512點。

3.5.3 寬帶語譜圖實驗參數(shù)

帶款 300 Hz，動態(tài)范圍 35 dB，衰減 10 dB，高頻提升系數(shù)0.65，縱向網(wǎng)格寬2000 Hz，橫向網(wǎng)格寬1000 ms，哈明窗。

4 實驗結(jié)果

我們從6名說話人中抽取一位男性說話人，選取“報”、“為”、“審”、“標(biāo)”4 個字的元音部分，其實驗結(jié)果如下所示。

4.1 QQ語音聊天

圖2中顯示的是使用VS5.0軟件后，分別產(chǎn)生的“報”、“為”、“審”、“標(biāo)”4 個字原聲的元音部分的寬帶語譜圖以及共振峰圖譜，以及經(jīng)過QQ軟件傳輸后輸出音頻的元音部分的寬帶語譜圖以及共振峰圖譜。其中共振峰圖譜為長時平均LPC譜，實線的為原聲語譜圖，虛線的為經(jīng)過QQ軟件傳輸后輸出音頻的語譜圖。

圖2 “報”、“為”、“審”和“標(biāo)”共振峰和寬帶語譜圖比較（QQ語音聊天）

圖3 “報”、“標(biāo)”、“審”和“為”共振峰和寬帶語譜圖比較（skype語音聊天）

4.2 Skype語音聊天

圖3中顯示的是使用VS5.0語音工作站后，分別產(chǎn)生的“報”、“為”、“審”、“標(biāo)”4 個字原聲的元音部分的寬帶語譜圖以及共振峰圖譜，以及經(jīng)過Skype軟件傳輸后輸出音頻的元音部分的寬帶語譜圖以及共振峰圖譜。其中共振峰圖譜為長時平均LPC譜，實線的為原聲語譜圖，虛線的為經(jīng)過Skype軟件傳輸后輸出音頻的語譜圖。

5 結(jié)果分析

5.1 QQ相似性分析

首先，我們通過聽覺來對原音和經(jīng)過QQ傳輸?shù)囊纛l進行初步的比對和檢驗，發(fā)現(xiàn)二者在語音的聲調(diào)模式、韻律特征，音節(jié)內(nèi)和音節(jié)間的過渡特征上反映一致，通過純聽覺未能發(fā)現(xiàn)其中的差別。

其次，通過VS5.0語音工作站進行分析，我們可以得到所選每個詞元音部分的長時平均LPC譜。導(dǎo)出VS5.0產(chǎn)生的相關(guān)數(shù)據(jù)后，我們進行統(tǒng)計分析并通過Excel軟件繪制比對圖譜。我們發(fā)現(xiàn)，總體來說，QQ網(wǎng)絡(luò)語音聊天音頻的長時平均LPC譜的共振峰走向和原音趨向于一致。以“報”字的元音部分/ao/為例，相關(guān)具體頻率和幅度值如圖4所示。

從圖4可以清晰看出，就“報”字而言，2500 Hz之下原音和經(jīng)過軟件輸出的音頻共振峰走向以及峰谷頻率值幾乎完全吻合。

圖4 “報”在網(wǎng)絡(luò)語音聊天和真人聊天中的相似性

5.2 QQ差異性分析

通過以上各種數(shù)據(jù)分析，我們發(fā)現(xiàn)二者間還是存在一定的差別?，F(xiàn)分別從共振峰頻率值和共振峰缺失兩個方面進行說明。

5.2.1 共振峰頻率值差別

表1中分別列出了對于 “報”、“標(biāo)”、“審”、“為”4 個字的元音部分，原音和經(jīng)過QQ傳輸后音頻的共振峰的比較。

從表1中可以看出，經(jīng)過QQ軟件傳輸之后的音頻共振峰產(chǎn)生了變化?？傮w來說，即使對于同一個人所說的同一段話，經(jīng)過QQ傳輸后的音頻共振峰頻率也不會完全一致，以上述4個字的元音部分為例，頻率發(fā)生了基于-4.01%至5.4%之間的變化。

5.2.2 共振峰缺失

從表1我們同樣可以看出，在部分情況下經(jīng)過QQ軟件傳輸過后的音頻會發(fā)生共振峰缺失的現(xiàn)象。例如在發(fā)“標(biāo)”的/iao/音時，QQ語音聊天出現(xiàn)了第三共振峰缺失的現(xiàn)象，而寬帶語譜圖中也有頻率減弱的情況發(fā)生。但在實驗中我們也發(fā)現(xiàn)，共振峰缺失的現(xiàn)象并不是對于所有元音都會發(fā)生的，至于這種現(xiàn)象的發(fā)生是隨機的還是有一定的規(guī)律性，我們將在以后的實驗中進一步研究。

表1 “報”,“標(biāo)”，“審”和“為”在網(wǎng)絡(luò)語音聊天和真人聊天中共振峰的差異性

5.3 Skype相似性分析

首先，我們通過聽覺來對原音和經(jīng)過Skype傳輸?shù)囊纛l進行初步的比對和檢驗，發(fā)現(xiàn)二者在語音的聲調(diào)模式、韻律特征，音節(jié)內(nèi)和音節(jié)間的過渡特征上反映一致，通過純聽覺未能發(fā)現(xiàn)其中的差別。

其次，通過VS5.0語音工作站分析，我們可以得到所選每個詞元音部分的長時平均LPC譜。導(dǎo)出VS5.0產(chǎn)生的相關(guān)數(shù)據(jù)后，我們進行統(tǒng)計分析并通過Excel軟件繪制比對圖譜。我們發(fā)現(xiàn)，總體來說，Skype網(wǎng)絡(luò)語音聊天音頻的長時平均LPC譜的共振峰走向和原音趨向于一致。以“報”字的元音部分/ao/為例，相關(guān)具體頻率和幅度值如圖5所示。

從圖5可以看出，就“報”字而言，原音和經(jīng)過Skype輸出的音頻之間共振峰走向雖然趨于一致，峰谷頻率值比較接近還是有細(xì)微的差別。

5.4 Skype差異性分析

5.4.1 共振峰頻率值的差別

圖5 “報”在網(wǎng)絡(luò)語音聊天和真人聊天中的相似性

由以下圖譜我們可以清晰地看出，與QQ軟件輸出類似，經(jīng)過網(wǎng)絡(luò)語音聊天軟件傳輸后的聲音同樣出現(xiàn)了共振峰頻率差異的情況。特別是對于個別文字，例如“報”字的/ao/的第二共振峰，“標(biāo)”字的/iao/的第4共振峰等都出現(xiàn)了頻率差異較大的現(xiàn)象。

5.4.2 共振峰缺失

從表2我們同樣可以看出，在部分情況下經(jīng)過Skype軟件傳輸過后的音頻會發(fā)生共振峰缺失的現(xiàn)象。例如在發(fā)“標(biāo)”的/iao/音時，Skype語音聊天出現(xiàn)了第3共振峰缺失的現(xiàn)象；發(fā)“審“的/en/音時，Skype語音聊天出現(xiàn)了第4共振峰缺失的現(xiàn)象。

表2 “報”在網(wǎng)絡(luò)語音聊天和真人聊天中共振峰的差異性

6 結(jié)束語

在前面所有實驗的基礎(chǔ)上，我們對所有6名參與者的原音和經(jīng)過QQ以及Skype輸出的音頻分別進行了比較。得出的結(jié)果表明，對于經(jīng)過上述兩種網(wǎng)絡(luò)語音聊天軟件傳輸后輸出的音頻，從純聽覺上來判斷的話基本可以判斷為同一人，但是從長時LPC譜以及寬帶語譜圖看來，經(jīng)過傳輸?shù)恼Z音在共振峰頻率上均發(fā)生了變化，期間伴隨共振峰缺失的現(xiàn)象發(fā)生。至于引起變化的具體原因，將在今后的實驗中進一步研究。

1 喬佳飛.VoIP技術(shù)簡介.http://www.dingshengcn.com/bbs/MINI/Default.asp?100-2246-0-0-0-0-a-htm，2010

2 雷慶勇.淺談網(wǎng)絡(luò)寬帶電話VoIP的發(fā)展.今日科苑，2009，2（25）

3 朱海毅，周春楠.VoIP基本原理.信息技術(shù)，2003，27（5）

4 郭桂林，陳禮永.電子聊天記錄作為電子證據(jù)的認(rèn)定.泰山學(xué)院學(xué)報，2008，30（4）

5 熊志海.網(wǎng)絡(luò)證據(jù)的特殊性及研究價值.河北法學(xué)，2008，26（6）