黃偉彬 張明珠 孫杰英 許蘊盈

（威凱檢測技術(shù)有限公司/廣東中創(chuàng)智家科學研究有限公司 廣州 510663）

引言

人機交互（HCI）由傳統(tǒng)意義上常見的外圍設(shè)備（如鍵盤、鼠標及后續(xù)出現(xiàn)的觸控屏）來開展交互。這是因為計算機設(shè)備無法理解我們話語的含義，更別說理解我們的意圖了。然而，過去幾年中，人機交互模式發(fā)生了重大變化，人們目睹了語音識別與交互技術(shù)在計算機領(lǐng)域中的快速發(fā)展。語音作為最具效率和表現(xiàn)力的交流工具之一，已改變用戶與設(shè)備的交互及消費服務(wù)的方式。目前語音識別與交互技術(shù)一個廣泛應(yīng)用是作為一種智能家居控制方式被大眾所接受和使用，用戶使用語音命令喚醒和操作不同的終端設(shè)備，快速互動的便利性令語音操控發(fā)展迅速，但是新技術(shù)的落地往往也會冒出一些風險和隱患。

1 語音識別與交互技術(shù)概述

語音識別與交互技術(shù)就是運用各類語音終端收集語音錄音，然后通過聲學模型將輸入的聲音進行特征提取、語義識別等處理，轉(zhuǎn)化為計算機能識別的信息，然后將識別的結(jié)果傳輸?shù)浇K端進行相應(yīng)的操作。

當前熱門的智能家電語音識別技術(shù)應(yīng)用方式有兩種。一種是以智能音箱或手機等智能終端為語音輸入口的語音控制方式。另一種是家電本身集成語音模塊實現(xiàn)語音交互功能的控制方式。

1）智能音箱（如圖1）

圖1 典型智能音箱控制家電運行機制

2014年，亞馬遜推出市場上第一臺智能音箱Amazon Echo，將智能語音技術(shù)帶入這一硬件，引起市場極大追捧，隨后各大巨頭公司紛紛先后入局。谷歌智能音箱Google Home、蘋果的Apple Home Pod、百度的小度、阿里的天貓精靈、小米的小愛同學等等。

智能音箱一個命令請求的邏輯大概如下：

①智能音箱設(shè)備始終在監(jiān)聽一個喚醒詞，只有當聽到喚醒詞時音箱設(shè)備才開始錄制用戶發(fā)出的語音命令。

②用戶請求的語音命令記錄被上傳到對應(yīng)的廠商服務(wù)平臺，開始進行語音識別（STT）將一段音頻轉(zhuǎn)化為一段文字，然后使用NLP處理（自然語言處理）將文本轉(zhuǎn)換為機器可讀指令。

③錄音及其轉(zhuǎn)化文本被傳送到云存儲并被存儲。

④廠商服務(wù)平臺返回一個語音錄音響應(yīng)，并通過揚聲器反饋給用戶。

⑤“技能”被激活。可能是打開燈或播放音樂。

2）家電本身帶語音模塊（如圖2）

圖2 集成語音模塊家電運行機制

家用電器內(nèi)置語音功能，是國內(nèi)家電企業(yè)一個創(chuàng)新嘗試，意在擺脫如智能音箱等終端在家電控制場景上的缺陷，使每一個電器都成為語音控制指控輸入入口，滿足消費者越來越高的操控性要求，進而達到更好的舒適體驗感。

語音模塊與原有的電器控制模塊通過串口進行連接，進行語音控制命令的傳輸，實現(xiàn)語音控制功能。

2 安全概述

盡管語音識別技術(shù)的和效率是顯而易見的，但與此技術(shù)相關(guān)的隱私和安全問題也越來越別眾多用戶關(guān)注。

2.1 數(shù)據(jù)隱私問題

無論是智能音箱、手機終端、還是帶在線語音操控的家電，大多數(shù)設(shè)備會接收用戶的問題或命令并上傳到廠商自己的云服務(wù)平臺上進行關(guān)鍵技術(shù)處理（識別、轉(zhuǎn)化等），這意味著用戶在語音交互過程中的大部分私人數(shù)據(jù)都會被廠商儲存，雖然這種儲存有可能是暫時性的。

大部分消費者首先想到可能是智能語音交互設(shè)備是否在“竊聽”？、智能音箱是否真的在喚醒后才開始進行錄制用戶語音？等問題。盡管科技廠商一再否認通過智能語音設(shè)備采集用戶隱私對話，但層出不窮的國內(nèi)外智能音箱和語音助理曝出用戶語音記錄事件讓消費者在使用智能語音交互產(chǎn)品上產(chǎn)生一定的擔憂，如何平衡便利與隱私也是廣大用戶應(yīng)考慮的問題。

2.2 語音命令“黑名單”

家用電器語音控制交互不應(yīng)執(zhí)行明顯會對消費者本身或其財產(chǎn)產(chǎn)生危害的命令。

一方面，基于人身或財產(chǎn)安全的基礎(chǔ)上，智能語音交互設(shè)備應(yīng)設(shè)置部分命令“黑名單”，主動或強制禁止部分語音命令的識別及運行。另一方面，在當前智能語音交互設(shè)備不能完全消除誤喚醒的前提下，應(yīng)規(guī)避部分家電的誤喚醒可能帶來的安全問題。如燃氣灶是否可以使用語音喚醒功能、是否可以使用語音命令調(diào)節(jié)火的大小等等。

2.3 存在可能各種攻擊手段

1）聽不見的語音攻擊

大部分智能終端揚聲器能接收人類聽覺范圍之外的音頻頻率，并且AI語音識別可以處理這些音頻。人耳聽覺的頻率范圍在20 Hz～20 kHz之間，而智能音箱等終端設(shè)備中的麥克風，大部分使用駐極體麥克風和MEMS（微機電系統(tǒng)）麥克風，頻率在10 Hz～40 kHz范圍內(nèi)的聲波一般都能獲得響應(yīng)[1]。故智能音箱設(shè)備能接收人耳聽不到的超聲波信號，并執(zhí)行隱藏在超聲波里可能的攻擊命令。

2）常見的攻擊方式有：

SurfingAttack：利用聲波在固體中的傳播特性，通過固體介質(zhì)啟動攻擊，不受視線障礙的影響[2]。

DolphinAttack：利用聲波在空氣中的傳播特性，使用人耳聽不到的超聲波信號，注入控制指令，從而實現(xiàn)對設(shè)備的攻擊[3]。

2.4 法規(guī)保護

屬于個人數(shù)據(jù)范疇的“語音”已經(jīng)成為監(jiān)管機構(gòu)關(guān)注的焦點。語音識別通常被歸類為生物識別技術(shù)，跟指紋、虹膜或視網(wǎng)膜等人類的獨特特征具有同等的重要性，也處于各種隱私和安全法條款保護的范疇，故無論是消費者還是收集語音數(shù)據(jù)的各種設(shè)備廠商都應(yīng)了解相關(guān)語音數(shù)據(jù)保護法規(guī)和各類隱私法規(guī)。

1）GDPR通用數(shù)據(jù)保護條例

自2018年5月起生效的GDPR將 “語音”歸類為 “個人數(shù)據(jù)”。雖然GDPR條例中第4.1條 “個人數(shù)據(jù) “的定義沒有具體提到 “語音”，而是 “其身體、生理特征所特有的一個或幾個屬性”[4]，但歐洲數(shù)據(jù)保護委員會仍認為 “語音識別 “在身體或生理生物識別技術(shù)的范疇內(nèi)。

2）CCPA 加州消費者隱私法案[5]

根據(jù)加州消費者隱私法（CCPA），遵循該法案的企業(yè)必須向用戶公開其收集用戶信息的做法，包括收集、披露和出售的個人信息。CCPA將 “生物識別信息 “列為 “個人信息 “的一個子集。該法案對 “生物識別信息 “定義為：”生物識別信息包括但不限于虹膜、視網(wǎng)膜、指紋、臉、語音等“。2021年5月10日，加州議會通過了AB-1262法案，旨在將保護消費者的范疇擴大到具有錄音功能的智能揚聲器設(shè)備。

3 結(jié)語

智能語音識別與交互技術(shù)當前正處于跨界技術(shù)融合摸索階段，難免碰到各式各樣的問題和困難，面對當前行業(yè)狀況，產(chǎn)業(yè)鏈上下游應(yīng)有機協(xié)同，完善行業(yè)標準體系，促進技術(shù)穩(wěn)健發(fā)展并落地。隨著技術(shù)的不斷完善和市場的成熟，智能語音交互未來必定會大放異彩發(fā)揮重要作用。