□耿浦洋，盧啟萌，郭 弘，施少培，卞新偉

(司法鑒定科學(xué)研究院聲像和電子數(shù)據(jù)鑒定研究室，上海 200063)

一、前言

語音同一性鑒定(也稱聲紋鑒定)，是指對檢材語音和樣本語音進(jìn)行比對和分析，確定二者是否出自同一說話人的技術(shù)。在目前的司法鑒定實踐中，檢材語音的采集設(shè)備主要包括錄音筆、電話錄音、手機(jī)錄音等。值得注意的是，檢材語音的采集設(shè)備不同會對語音特征(如共振峰)的比對和分析造成一定影響。例如，固定電話的采樣頻率范圍為300-3400Hz，超出這個范圍的語音特征都無法被記錄，因此在對檢材語音和樣本語音進(jìn)行比對時，應(yīng)著重關(guān)注此頻率范圍內(nèi)的特征。有學(xué)者提出，為了更科學(xué)的進(jìn)行語音同一性鑒定，在實踐中應(yīng)當(dāng)充分考慮語音采集設(shè)備對語音特征可能造成的影響，或使用檢材語音的采集設(shè)備來采集樣本語音。[1]

近年來，隨著智能手機(jī)和互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，通訊、短視頻和直播等手機(jī)軟件已經(jīng)成為人們?nèi)粘Ｉ詈蛫蕵坊顒又胁豢扇鄙俚墓ぞ?。微信語音、網(wǎng)絡(luò)直播、短視頻也在一定程度上替代了傳統(tǒng)通訊和營銷方式，占據(jù)了主導(dǎo)地位。然而，隨著這些軟件的不斷成熟和推廣，一些不法分子也開始使用相關(guān)軟件進(jìn)行違法活動，例如電信詐騙、網(wǎng)絡(luò)賭博、裸聊等。因此，微信語音、視頻也越來越多的以證據(jù)形式出現(xiàn)在法律訴訟案件中。

通常，一些手機(jī)軟件為了提高語音信號的傳遞效率、減少相關(guān)文件的空間占用率，會對語音信號采取有損壓縮手段。這種手段不會改變語音的可懂度，但可能會對語音的特征造成一定影響。那么，微信、直播等軟件在信號傳輸過程中是否存在有損壓縮、其記錄的語音特征是否完整？如果存在上述現(xiàn)象，那么在語音同一性鑒定的案件中，作為證據(jù)的微信語音或視頻是否與使用無損錄音設(shè)備(如專業(yè)錄音機(jī))采集的樣本語音具有可比性？二者又存在哪些差異？對于這些問題的答案，尚缺乏系統(tǒng)的實驗研究。

因此，為了解決上述問題，本文將對微信、短視頻、直播三種手機(jī)軟件與專業(yè)錄音機(jī)采集的語音信號進(jìn)行對比分析，考察上述軟件和錄音機(jī)采集信號的差異及可比性。

二、研究方法

研究招募了男女各一名發(fā)音人，普通話標(biāo)準(zhǔn)。錄音設(shè)備包括三部華為手機(jī)(HUAWEI P30 Pro)和專業(yè)錄音機(jī)(型號：SONY PCM-D50)。其中，手機(jī)錄音的軟件包括：微信(版本：8.0.2)、抖音(版本：16.2.0)、花椒直播(版本：7.8.5.1028)。

錄音材料為中文版《北風(fēng)與太陽》。錄音開始前，發(fā)音人花3-5分鐘熟悉錄音材料。錄音設(shè)備置于發(fā)音人面前25cm，三部手機(jī)(分別運(yùn)行微信、抖音和花椒直播軟件)和錄音機(jī)同時開始錄音。錄音機(jī)采樣率為48.0 kHz，采樣精度16 bit。要求發(fā)音人使用平時說話的方式朗讀錄音材料。

此外，為考察微信傳輸對視頻中音頻信號的壓縮情況，錄音結(jié)束后，將抖音和花椒直播軟件錄制的視頻通過微信發(fā)送至某微信賬號。

最后，對手機(jī)錄制的音/視頻文件進(jìn)行提取，錄音文件如表1所示：(1)微信語音通過手機(jī)鏡像進(jìn)行提取(即微信-女和微信-男)；(2)抖音/花椒錄制的視頻使用三種方式提取，錄制手機(jī)相冊中視頻原始文件提取(即抖音-女、抖音-男、花椒-女、花椒-男)、微信電腦客戶端提取(微信-抖音-女-客戶端、微信-抖音-男-客戶端、微信-花椒-女-客戶端、微信-花椒-男-客戶端)、手機(jī)鏡像提取(即微信-抖音-女-鏡像、微信-抖音-男-鏡像、微信-花椒-女-鏡像、微信-花椒-男-鏡像)。

表1 錄音文件

三、研究結(jié)果

(一)屬性分析

錄音文件的屬性信息如表2所示。微信語音的采樣率為16.0kHz，采樣精度16bit，2聲道錄制；抖音錄制視頻中音頻信號的采樣率均為44.1kHz，無采樣精度信息，錄制原始文件為2聲道、微信傳輸后文件為1聲道；花椒錄制視頻中音頻信號的采樣率均為44.1kHz，無采樣精度信息，1聲道。

表2 錄音文件屬性信息

(二)頻譜分析

頻譜特征是說話人個體特征的重要反映，與咽腔、口腔和鼻腔等生理器官存在密切關(guān)系。[2]在語音同一性鑒定中，頻譜特征(如共振峰、基頻等)是進(jìn)行同一認(rèn)定的重要依據(jù)。因此，要考察手機(jī)軟件錄音和錄音機(jī)錄音之間是否具有可比性，需要對二者采集語音的頻譜特征進(jìn)行對比分析。

從頻譜采集的范圍看，錄音機(jī)、抖音和花椒錄制音頻的頻譜特征采集范圍為0-12 kHz；微信語音的頻譜特征采集范圍為0-8 kHz，8-12 kHz范圍未采集到頻譜特征，這說明微信在采集語音信號的過程中存在壓縮現(xiàn)象，過濾了8 kHz以上的頻譜特征。

進(jìn)一步對0-8 kHz范圍內(nèi)的頻譜特征進(jìn)行觀察比對發(fā)現(xiàn)，男、女發(fā)音人在所有錄音的頻譜特征顯示上均表現(xiàn)一致(即頻率分布及走向、過渡音段形態(tài)、振幅強(qiáng)弱、時長以及背景噪音)。如圖1和圖2所示，以“在那里爭論誰的本事更大”為例，不同手機(jī)軟件和錄音機(jī)錄制語音的頻譜特征未發(fā)現(xiàn)差異，這說明在0-8 kHz范圍內(nèi)手機(jī)軟件和錄音機(jī)采集的語音信號一致。

圖1 “在那里爭論誰的本事更大”的頻譜圖(女)

圖2 “在那里爭論誰的本事更大”的頻譜圖(男)

(三)定量統(tǒng)計

為了定量考察手機(jī)軟件和錄音機(jī)采集語音的頻譜特征是否存在差異，使用Praat軟件對錄音文件的頻譜特征進(jìn)行提取，[3]即前四個共振峰(F1、F2、F3和F4)、基頻和嗓音參數(shù)(jitter、shimmer、HNR)。其中，每個錄音文件生成的基頻文件均經(jīng)過手工校正，并進(jìn)行平滑和插入。最后，對提取的所有參數(shù)分別求平均值。

聲譜特征的均值如表3所示。對于前四個共振峰的均值，不同手機(jī)軟件和錄音機(jī)之間的差異均小于100 Hz，F(xiàn)1、F3的差異相對較大，F(xiàn)2、F4更穩(wěn)定，男發(fā)音人的差異小于女發(fā)音人。對于基頻和嗓音參數(shù)的均值，不同手機(jī)軟件和錄音機(jī)之間的差異較小，具有較高的穩(wěn)定性。

表3 聲譜特征的均值

四、討論與結(jié)論

本文對微信、抖音和花椒直播軟件與專業(yè)錄音機(jī)采集的語音信號進(jìn)行對比分析，發(fā)現(xiàn)：1.微信語音的有效頻譜顯示范圍為0-8 kHz，抖音和花椒錄制視頻中音頻信號的有效頻譜顯示范圍為0-12 kHz；2.通過微信傳輸?shù)囊曨l中音頻信號未見壓縮或削減；3.微信、抖音和花椒采集語音與錄音機(jī)采集語音在0-8 kHz范圍內(nèi)的頻譜特征表現(xiàn)一致；4.微信、抖音和花椒采集語音與錄音機(jī)采集語音在前四個共振峰(F1、F2、F3和F4)、基頻和嗓音參數(shù)(jitter、shimmer、HNR)的統(tǒng)計數(shù)據(jù)上未見顯著差異。

本研究的結(jié)果與南兆營的發(fā)現(xiàn)截然相反。南兆營提出，微信語音在頻譜特征上和錄音機(jī)錄制存在顯著差異。[4]然而，這個差異實際是由頻譜顯示范圍的設(shè)置差異造成的，如圖3所示，原始錄音的頻譜顯示范圍(即縱軸)為0-4 kHz，而微信和抖音語音的顯示范圍則為0-5 kHz，三者在0-4 kHz范圍內(nèi)的頻譜特征表現(xiàn)一致(即紅線以下部分)。因此，微信、抖音語音和錄音機(jī)現(xiàn)場采集的說話人的語音信號不存在顯著差異。

圖3 微信語音和錄音機(jī)錄音的頻譜圖

此外，對于抖音和花椒錄制的語音，采樣精度信息不可見。這可能是視頻錄制軟件的信號采集特性造成的。本文還發(fā)現(xiàn)，微信語音未對8 kHz以上的頻譜特征進(jìn)行采集。由于8kHz以上的頻譜特征不會對語音的聽覺感知、可懂度等造成顯著影響，為了提高傳輸效率、減少文件占用空間，微信語音未采集這部分頻譜特征。然而，值得注意的是，通過微信傳輸?shù)囊曨l中音頻信號并未被壓縮，音頻采樣率、聲道等信息與原視頻文件均保持一致。

最后，盡管通過手機(jī)軟件和錄音機(jī)錄制的語音在8個聲譜特征的統(tǒng)計數(shù)據(jù)上基本保持一致，但是仍能發(fā)現(xiàn)個別聲譜特征(如F3)存在相對大的差異。造成這個現(xiàn)象可能的原因有Praat軟件在參數(shù)提取過程中的誤差，不同軟件的音頻傳輸質(zhì)量差異，以及背景或本底噪聲干擾等。總體來說，不同手機(jī)軟件和錄音機(jī)錄制的語音在聲譜特征的統(tǒng)計數(shù)據(jù)上不存在顯著差異。

本研究發(fā)現(xiàn)，微信、抖音、花椒直播等手機(jī)軟件和錄音機(jī)采集的語音信號在頻譜特征顯示(如頻率分布及走向、過渡音段形態(tài)、振幅強(qiáng)弱等)以及統(tǒng)計數(shù)據(jù)上均表現(xiàn)一致。因此，不同手機(jī)軟件采集的語音信號和錄音機(jī)現(xiàn)場采集的語音信號具有可比性。在語音同一性鑒定中，不同手機(jī)軟件采集的語音信號可以作為有效檢材或樣本進(jìn)行同一鑒定。本文的研究結(jié)果對于語音同一性鑒定實踐具有較高的應(yīng)用價值。同時，對于進(jìn)一步推進(jìn)司法鑒定公正性和科學(xué)性也具有重要意義。