（中國人民公安大學信息網(wǎng)絡安全學院 北京 100038）

1 引言

人類發(fā)聲是一個復雜的生理物理過程，它受語言中樞和多個發(fā)聲器官共同支配。由于個體發(fā)聲器官尺寸和形態(tài)上的差異、大腦神經(jīng)的生理構(gòu)造的差異、發(fā)聲人的心理狀態(tài)以及其所處的外界語言環(huán)境的差異，使得每個人的聲紋圖譜獨一無二，且在一段時間內(nèi)個體的聲學特征穩(wěn)定且唯一。為此，在一般情況下，根據(jù)聲紋或語音來識別、判斷說話人身份的可行性較大。

隨著人工智能、大數(shù)據(jù)、云計算等技術(shù)的飛速發(fā)展，聲紋識別和語音識別技術(shù)的準確性、智能性、迅捷性得到了大幅提升。聲紋識別和語音識別技術(shù)逐步產(chǎn)業(yè)化，其典型應用場景惠及公安司法領域、智能家居、醫(yī)療服務監(jiān)控、遠程辦公、金融行業(yè)身份確認等。近年來，我國聲紋和語音識別技術(shù)發(fā)展勢頭迅猛，聲紋識別、語音合成、語音轉(zhuǎn)換、語義理解等技術(shù)已達到世界領先水平。

聲紋識別和語音識別技術(shù)發(fā)展證明了語音資料作為證據(jù)的真實性和有效性，在電信詐騙等非物理空間案件中偵破中發(fā)揮了巨大的作用，其在公安實戰(zhàn)中的應用場景不斷探索與拓展。

2 聲紋識別和語音識別技術(shù)

2.2 聲紋識別技術(shù)

聲紋識別是把聲信號轉(zhuǎn)換成電聲學儀器上顯示的攜帶語言信息的聲波頻譜的電信號，可以視作說話人語音中所含特征的集合，具有個體內(nèi)的相對穩(wěn)定性和個體之間的差異性，因此聲紋可以用于個體識別以及同一認定。在采集便利性和識別迅捷性上聲紋識別技術(shù)相較指紋、虹膜、人臉等生物識別技術(shù)具備明顯優(yōu)勢，僅需監(jiān)控攝像頭或執(zhí)法記錄儀等具備麥克風功能的設備，極大提高了遠程采集的成功率及識別的準確性。聲紋識別技術(shù)的發(fā)展應用主要包括聲紋預處理[1]、聲紋特征提取[2]和識別方法[3]三個階段。

2.2.1 聲紋預處理

聲紋預處理的目的是將干凈的沒有雜質(zhì)的語音從帶有噪聲的語音中分離提取出來，是聲紋識別中極其重要的一部分。具體聲紋預處理方法可分為：數(shù)字信號處理和機器學習兩類。

2.2.2 聲紋特征提取

聲紋特征是指能體現(xiàn)說話人個性的特征信息，聲學特征、詞法特征、韻律特征、方言信息、通道信息等都可以用數(shù)學方法來進行表達[4]。在公安實戰(zhàn)中多考慮說話人本身而不是設備信息，因此一般不考慮通道信息影響。采用深度學習算法訓練海量語音數(shù)據(jù)，過程中綜合采用分類和對比能量損失函數(shù)，自動抽象、歸納、總結(jié)語音信號中描述身份的特征。研究中較多使用線性預測系數(shù)[5]，數(shù)據(jù)降維則多考慮線性判別分析降維（LDA）[6]。特征提取技術(shù)具有較強的泛化能力，在跨信道、不同信噪比、較長時間跨度的情況下，聲紋特征仍然表現(xiàn)出較好的穩(wěn)定性。

2.2.3 聲紋識別

作為聲紋識別技術(shù)的壓軸流程，聲紋識別通過模型來判定說話人的身份，目前常用的方法：高斯混合通用背景模型（GMM-UBM）[7]、聯(lián)合因子分析（JFA）[8]、神經(jīng)網(wǎng)絡等。

2.3 語音識別技術(shù)

除聲紋識別技術(shù)外，在電信詐騙、鏈條式毒品制販等案件中也會采用語音識別技術(shù)對嫌疑人通話內(nèi)容進行翻譯理解以識別出通話主題。語音識別技術(shù)[9]主要包括：語音合成[10]、語音識別[11]、語義理解[12]等。

2.3.1 語音合成

語音合成方法主要有拼接法[13]和參數(shù)法[14]。拼接法最大限度保留了說話人的原始音色，保留了語義的自然度與清晰度。參數(shù)法通過數(shù)據(jù)構(gòu)建模型，將文本特征轉(zhuǎn)換為聲學特征，聲碼器根據(jù)聲學模型的輸出重構(gòu)語音波形[15]。從文本到語音（TTS）利用機器學習模型將給定文本轉(zhuǎn)換成語音并加以輸出，是語音合成技術(shù)的核心。

2.3.2 語音識別與語義理解

語音識別與語義理解都是基于內(nèi)容處理語音，語音識別技術(shù)實現(xiàn)人機交互，將人的語音直接轉(zhuǎn)換為相應的文本或命令[16]。語義作為數(shù)據(jù)是一種解釋和邏輯表示，對應了物理空間中事物所代表的含義及含義間的關(guān)系。其中語義理解在公安領域應用的意義主要包含兩方面：一是變換不同語義間的信息，二是進一步進行推理。

2.4 聲紋和語音識別技術(shù)的實戰(zhàn)能力分析

在公安業(yè)務應用中，利用聲紋和語音識別技術(shù)，針對實時采集、歷史采集的語音數(shù)據(jù)，提取其語音信息，再通過提取聲紋模型、聲紋建庫、以聲找人、以聲定人、以語音定性等信息化手段比對鑒定，提升公安業(yè)務部門落地查證、情報挖掘、案件偵辦、精準管控能力水平，為公共安全業(yè)務決策提供科學、有效的基礎能力支撐。

2.4.1 聲紋和語音采集

對于語音數(shù)據(jù)的采集主要包括兩種：一是實時語音采集，二是歷史語音采集。采集實時語音可通過訊（詢）問、智能筆錄等方式實現(xiàn)。雙向訊問的方式適用于訊問室、信息采集室等環(huán)境，與電子筆錄系統(tǒng)整合，實現(xiàn)高精度、高品質(zhì)、基本信息自動關(guān)聯(lián)多信道錄音功能；智能分錄系統(tǒng)適用于接處警等環(huán)境，與接處警工作站對接，實現(xiàn)報警人黑名單管理、報警人識別提醒等功能。歷史語音采集包括電話語音與網(wǎng)絡語音，大量的電話、網(wǎng)絡歷史語音能夠用來對重點人員聲紋建模。

2.4.2 聲紋和語音比對

聲紋比對在實際應用中主要有聲紋確認（1:1），即在判定待檢語音即假定身份人的語音；聲紋辨認（1:N），即從大量聲紋模型中找出這個語音屬于哪個人的，或不屬于本數(shù)據(jù)集。

在案件偵辦方面，可通過比對聲紋和語音信息，為案件偵查工作提供新的身份判別技術(shù)手段；在治安防控方面，聲紋和語音比對可輔助身份查驗與驗證；同時聲紋和語音比對技術(shù)也可應用在目標布控、觸網(wǎng)報警、報警人身份識別、案件串并等方面。通過聲紋強化串并案，助力犯罪證據(jù)收集、破案突破，為大數(shù)據(jù)分析提供新型支撐。

2.4.3 聲紋和語音鑒定

聲紋和語音鑒定需要實現(xiàn)同一性認定、真實性檢驗、語音降噪和微弱語音增強等技術(shù)應用。同一性認定是綜合分析比對檢材的聲學特征與樣本的聲學特征，判斷兩者是否同一。其中檢材一般為未知的涉案人，樣本是被懷疑的已知身份的確定人，利用二者的聲學特征進行身份鑒定。真實性檢驗是發(fā)現(xiàn)錄音中是否存在剪輯點，鑒別數(shù)字化圖譜對錄音文件是否修改。大多數(shù)涉案語音文件都帶有噪音，影響語音內(nèi)容的聽辨，語音降噪是把噪音降低、微弱語音增強，把過弱語音增強處理，提高信噪比，進而達到聽辨要求。

3 聲紋識別和語音識別在公安實戰(zhàn)中的應用

3.1 公安工作中的應用現(xiàn)狀

互聯(lián)網(wǎng)技術(shù)的快速發(fā)展催生出各式各樣的新型涉網(wǎng)犯罪，涉及語音材料的案件逐年攀升，以電信網(wǎng)絡詐騙、網(wǎng)絡涉恐涉毒等為代表的犯罪往往“只聞其聲、不見其人”，對新時代公安機關(guān)反恐處突、偵查破案、治安防控帶來了全新挑戰(zhàn)。聲紋識別和語音識別技術(shù)不僅為新型犯罪提供關(guān)鍵技術(shù)手段，同時還能夠擴展到智慧警務新模式業(yè)務應用中。

蘭州作為典型的資源型和發(fā)展中城市，曾經(jīng)面臨能源結(jié)構(gòu)不合理，大氣污染及其嚴重的典范，能夠在非低碳試點城市的情況下，充分結(jié)合自身特點，實現(xiàn)發(fā)展與治污的平衡，不僅為中國，也為世界廣大發(fā)展中國家城市提供了一個良好樣本，成為中國城市低碳發(fā)展經(jīng)驗擴散的成功案例。

利用聲紋和語音技術(shù)進行破案，是當前公安機關(guān)打擊違法犯罪的重要技術(shù)手段之一，在確定案件性質(zhì)、提供偵破思路、佐證其他證據(jù)、認定說話人身份等方面起重要作用。公安實戰(zhàn)中運用語音材料的頻率在不斷增加，1963 年，日本警方通過分析語音材料成功偵破東京拐賣幼兒案是最早將語音識別技術(shù)應用到警務工作中。2019 年公安部牽頭推廣聲紋識別技術(shù)，各地公安機關(guān)紛紛致力于在實戰(zhàn)中發(fā)揮聲紋信息的價值：如廣東省公安機關(guān)通過采集聲紋信息，主動發(fā)現(xiàn)涉詐線索；山東省公安機關(guān)采集和共享涉詐嫌疑人聲紋信息，搭建詐騙語義模板，預警高危涉詐人員來電；湖北省公安機關(guān)建立聲紋數(shù)據(jù)比對模型?！帮Z風14 號”案件就是使用聲紋識別技術(shù)偵破電信詐騙案件的典型案例。該案件的偵破就是利用語音識別技術(shù)比對犯罪嫌疑人在即時通訊工具上留下的用于“工作”的語音數(shù)據(jù)與當?shù)厣矸菡J證過的用于“生活”的語音數(shù)據(jù)，返回疑為同一人賬號的對應關(guān)系，通過聲紋比對定位嫌疑人身份信息，從而實施抓捕。

3.2 公安業(yè)務應用場景設計

目前，聲紋識別和語音識別技術(shù)在提高公安業(yè)務處理效率，推動案件偵破能力，助力智能化警務模式的轉(zhuǎn)變和發(fā)展發(fā)揮了一定的作用。本文根據(jù)公安業(yè)務特點設計以下應用場景，使聲紋識別和語音識別技術(shù)進一步普惠公安業(yè)務應用。

（1）應用于智慧社區(qū)警務工作

“發(fā)案少、秩序好、社會穩(wěn)定、群眾滿意”是智慧社區(qū)警務的發(fā)展目標。將聲紋識別和語音識別技術(shù)應用于社區(qū)人口基礎信息采集等工作，達到整合大量語音數(shù)據(jù)，豐富聲紋庫數(shù)據(jù)來源，完善智慧警務語音云平臺的建設。面對大量的信息錄入工作，囿于計算機操作水平分布差異，通過引入聲紋識別和語音識別技術(shù)，自動識別完成信息錄入、數(shù)據(jù)存儲等工作，提高基層民警工作效率，同時構(gòu)建起社區(qū)聲紋數(shù)據(jù)庫，豐富智慧社區(qū)平臺數(shù)據(jù)源。

例如，裝備便于攜帶的語音識別工具，民警可以迅速準確進行方言、外語與普通話的切換，更好進行情況了解、案件調(diào)查。在戶籍信息、罰款繳費等服務部門引入智能語音機器人，通過語音識別引導辦理相關(guān)業(yè)務，方便群眾高效及時完成業(yè)務辦理，實現(xiàn)智能警務服務模式，完善公安機關(guān)服務體系。

（2）采集、構(gòu)建重點人員聲紋庫

通過收集海量已知身份的聲紋信息建立聲紋庫，使用聲紋識別和語音識別技術(shù)實現(xiàn)在聲紋庫中搜索比對相似聲紋。將采集的語音存儲至聲紋庫，按需分類，形成各種專屬庫，利用聲紋庫達到音頻管理、以音找人、綜合查詢、統(tǒng)計分析等需求。

例如根據(jù)涉恐、涉政、吸毒等重點人員的聲紋數(shù)據(jù)，建立相關(guān)數(shù)據(jù)庫，集中儲存、管理和應用其中的聲紋數(shù)據(jù)。在日常辦案過程中、重點區(qū)域和重大活動期間核查、采集相關(guān)人員信息的過程中，預警發(fā)現(xiàn)與數(shù)據(jù)庫聲紋信息相匹配的重點人員，進行事前預防。助力公安有效遏制與打擊犯罪，降低犯罪率，維護社會安全穩(wěn)定。

治安風險防控中，綜合分析聲紋信息，關(guān)注比對發(fā)現(xiàn)聲音特征與數(shù)據(jù)庫存儲的聲紋信息發(fā)現(xiàn)潛在的案件嫌疑人，從而預防和及時處置。

例如，在街面巡邏工作中，通過便攜的語音采集識別設備進行身份確認，實現(xiàn)數(shù)據(jù)收集、聲紋串并、聲紋比對、聲紋管理、綜合查詢等功能，實現(xiàn)語音數(shù)據(jù)的比對，確認目標身份，從而實現(xiàn)治安風險識別與實時預警，提升社會治安動態(tài)管控能力。

（4）應用于案件偵破工作

聲紋識別和語音識別技術(shù)可以達到海量篩查的效果，將案件和涉案人員排列組合，通過多種排查方式，串并案件，提高辦案效率。

例如，某些案件受案和偵查的初始階段，公安機關(guān)可能僅掌握了一段語音信息作為線索，通過語音識別，提取嫌疑人的語音特征，判斷說話人的身份，利用聲紋庫比對鑒定，對犯罪嫌疑人語音進行分析，刻畫犯罪心理畫像，提供破案線索。通過分析原始語音資料，確定案件性質(zhì)為案件偵破提供方向。針對在逃人員可通過動態(tài)比對聲紋信息庫，追蹤并關(guān)聯(lián)相關(guān)團伙，結(jié)合定位系統(tǒng)及時進行報警和反饋，以便實施抓捕。

（5）應用于反電信詐騙案件偵破

電信詐騙犯罪分子主要是通過虛擬空間（如語音通話、短信、互聯(lián)網(wǎng)等）對受害人實施遠程詐騙，造成受害者的財產(chǎn)損失。針對這類案件，聲紋識別和語音識別技術(shù)可充分發(fā)揮其技術(shù)優(yōu)勢。通過聲紋識別和語音識別技術(shù)可以快速了解電信網(wǎng)絡詐騙案件的詐騙劇本、被騙過程等案件基本事實，快速區(qū)分案件性質(zhì)、案件類型和具體詐騙手段，及時采取針對性措施開展偵查工作，梳理案件偵破方向、節(jié)約案件偵查資源。通過對詐騙分子聲紋識別，可以精準定位海量電話數(shù)據(jù)場景下的詐騙通話，快速發(fā)現(xiàn)有害詐騙信息。

例如，結(jié)合聲紋識別、聲紋聚類技術(shù)，利用采集標注的詐騙人有害話音集合，提取并存儲此類人員的聲紋特征，建立聲紋庫，新的通話接入時，經(jīng)過聲紋提取及聲紋比對，可以實現(xiàn)目標通話中詐騙聲紋的檢出和發(fā)現(xiàn)。通過詐騙通話意圖理解進行詐騙電話的精準分析，通過詐騙人聲紋識別可以有效鎖定詐騙人員[17]，通過對涉案的電信詐騙語音進行相似性對比，串并案件及時確定犯罪嫌疑人身份及犯罪團伙規(guī)模，為挽回受害者損失提供機會，為偵查破案提供線索、為案件訴訟提供證據(jù)。

（6）應用于案件證據(jù)證明

2012 年修訂的《刑事訴訟法》將“視聽資料、電子數(shù)據(jù)”規(guī)定為八種法定證據(jù)形式之一。語音材料屬于“視聽資料”，聲紋鑒定則屬于“鑒定意見”，明確了其具有證據(jù)效力。

語音識別和語音材料的司法鑒定可應用在：綁架案、敲詐案，告陷害、威脅恐嚇、誹謗謾罵騷擾他人的案件；貪污、行賄、受賄等經(jīng)濟交往中的錢物、財產(chǎn)糾紛案；以及謊報火警、匪警等惡意擾亂機關(guān)辦公秩序的案件等。在上述類型案件中，聲紋可從整體上對聲音進行固定和再現(xiàn)，以準確、客觀、公正地恢復原始聲音的真實情況，形象生動、直觀全面地反映出案件事實，可稱其為“會說話的證據(jù)”。

（7）應用于訊（詢）問中

在訊（詢）問中運用聲紋識別和語音識別技術(shù)，結(jié)合視頻監(jiān)控技術(shù)，實時采集被訊（詢）問人的聲音數(shù)據(jù)、影像數(shù)據(jù)，使被訊（詢）問人語言及情感更加的數(shù)據(jù)化、直觀化、客觀化，結(jié)合其語音、微表情、肢體動作等其他生理特征，交叉融合心理學、語言學等多門學科，分析被訊問人感情變化，及時掌握被訊問人的心理活動和情感走向，抓住其供述的薄弱點和漏洞，及時調(diào)整訊問方向，識破謊言進行突破從而更好獲得線索和證據(jù)。

4 結(jié)論

智慧警務模式就是要充分發(fā)揮機器智能的基礎作用，由人海戰(zhàn)術(shù)轉(zhuǎn)向人機智能交互。聲紋和語音識別技術(shù)在智慧警務建設應用中具有特殊的價值。本文通過調(diào)研總結(jié)聲紋和語音識別技術(shù)，分析公安實戰(zhàn)中聲紋和語音識別的技術(shù)要素，探究聲紋和語音識別技術(shù)結(jié)合公安大數(shù)據(jù)在公安業(yè)務的應用場景、應用策略、以及應用前景。為了進一步實現(xiàn)聲紋和語音技術(shù)在公安實戰(zhàn)中的落地應用，建議通過建立全國或全省聲紋數(shù)據(jù)庫、將聲紋信息系統(tǒng)與身份證系統(tǒng)及人臉識別系統(tǒng)等相結(jié)合的方式以期能夠支撐服務公安大數(shù)據(jù)戰(zhàn)略的落地實施，助推公安工作的質(zhì)量變革、效率變革、動力變革。