背景介紹

聲紋檢索，顧名思義就是說話人識別，通過聲音來驗證或者識別說話人的聲音。聲紋識別的關鍵步驟就是聲音向量化，將說話人的聲音將其轉化成結構化的向量。阿里云AnalyticDB向量版，提供了一套聲紋驗證檢索的解決方案。用戶只需要使用簡單的幾條SQL命令，三步之內就可以搭建一套高精度的聲紋檢索驗證服務。

聲紋識別技術

1）聲紋檢索演示

圖1展示了AnalyticDB向量數據庫的聲紋檢索系統的演示界面。為了方便用戶體驗，我們將380個人的聲音信息，轉化成向量存儲在系統中。當前演示系統分成兩部分，第一部分是檢索部分，用戶輸入錄制好的聲音文件或者用戶現場進行錄音上傳聲音文件，提交到聲紋庫進行聲音的匹配檢索。第二部分是注冊部分，用戶可以注冊上傳自己的聲音到當前的聲紋庫里面，方便后期的查詢驗證。在接下來的章節中，我們分別介紹各個功能。

?

圖1. 聲紋演示系統

圖2上傳一段S0004的測試音頻“BAC009S0004W0486.wav”到聲紋庫里面進行檢索，可以看到top1的結果S0004就會在最上面進行展示。

?

圖2. 查詢聲音

圖3展示了聲紋注冊系統，用戶可以注冊自己的聲音到后臺聲紋庫里面，方便檢索。比方說，用戶Hanchao注冊自己的聲音（只有7s長度），到當前的系統里面來。當前系統支持無文本注冊，用戶可以說任何話來進行注冊。

?

圖3. 注冊聲音

圖4演示用戶現場錄制聲音，上傳到系統中，進行檢索。比方說，“Hanchao”錄制了一段5秒的語音到聲紋系統中進行檢索。之前注冊過“Hanchao”的聲音，當前系統可以看到排名第一的聲音就是“Hanchao”的聲音。

?

圖4. 錄制并檢索聲音

當前對于聲紋演示，我們采用的是1:N的演示結果，可以用在會議室中的識別，通過聲音可以找到相關的會議說話人。當前，對于身份驗證，這種1:1的演示，我們只用限制距離小于550，就可以方便的進行身份驗證。

2）應用結構總體設計

阿里云聲紋庫檢索的系統框架的總體架構如圖5所示，AnalyticDB（聲紋庫）負責整個聲紋檢索應用的全部結構化信息（用戶注冊標識，用戶姓名，以及其他的用戶信息）和非結構化信息（聲音產生的向量）的存儲和查詢。在查詢的過程中，用戶通過聲紋抽取模型，將聲音轉成向量，在AnalyticDB中進行查詢。系統返還回來相關的用戶信息，以及l2向量距離[5]。其中聲音抽取模型的訓練和測試，我們在下一章進行講解。

?

圖5. 聲紋檢索庫

3）系統精度

當前演示聲紋系統，采用的是GMM-UMB模型抽取的i-vector作為檢索向量[3]。另外，我們還訓練了精度更高的深度學習聲紋識別模型（x-vector[4]）。并且，可以針對特定的場景，比方說電話通話場景，手機APP場景，嘈雜噪聲場景等相關的場景進行聲紋模型訓練，詳細信息可以加我們的群進行了解。

聲紋識別在學術界常用的數據集（Aishall.v1 [1]數據集和TIMIT [2]數據集）上面的（1:N）的準確率（>99.5%，見表1）。

表1. Top 1 精度測試結果

三步搭建一個聲紋系統

第一步，初始化。

當前系統實現了聲音轉向量的函數，用戶將前端得到的聲音通過POST請求，發給阿里云服務系統，選擇對應的聲紋模型，就可以將聲音轉成對應的向量。

import requests import json import numpy as np# sound： 聲音二進制文件。 # model_id：模型id。 def get_vector(sound, model_id='i-vector'):url = 'http://47.111.21.183:18089/demo/vdb/v1/retrieve'd = {'resource': sound,'model_id': model_id}r = requests.post(url, data=d)js = json.loads(r.text)return np.array(js['emb'])# 讀取用戶文件。 file = 'xxx.wav' data = f.read() print(get_vector(data)) f.close()

在初始化的過程中，用戶創建相關的用戶聲紋表。同時，給表的向量列加入向量索引，來加速查詢過程。當前聲紋模型輸出的都是400維的向量，所以索引參數dim設置為400。

--創建用戶聲紋表 CREATE TABLE person_voiceprint_detection_table(id serial primary key, name varchar,voiceprint_feature float4[] );--創建向量索引 CREATE INDEX person_voiceprint_detection_table_idx ON person_voiceprint_detection_table USING ann(voiceprint_feature) WITH(distancemeasure=L2,dim=400,pq_segments=40);

第二步，注冊用戶聲音。

在注冊的過程中，注冊一個用戶，插入一條記錄到當前系統中。

--注冊用戶'張三'到當前的系統中。 --通過HTTP服務，將聲紋轉化成相關的向量。INSERT INTO person_voiceprint_detection_table(name, voiceprint_feature) SELECT '張三', array[-0.017,-0.032,...]::float4[])

第三步，檢索或驗證用戶聲音。

聲紋門鎖驗證（1:1 驗證）：在驗證系統中，系統會得到用戶的標識信息（user_id），在聲紋庫中計算輸入的聲音向量和庫里該用戶的聲音向量的距離。一般系統會設置一個距離閾值（threshold=550），如果向量之間的距離大于這個閾值，說明驗證失敗。如果小于閾值，說明聲紋驗證成功。

-- 聲紋門鎖檢測(1:1)驗證SELECT id, -- 用戶id信息name, -- 用戶姓名l2_distance(voiceprint_feature, ARRAY[-0.017,-0.032,...]::float4[]) AS distance -- 向量距離 FROM person_voiceprint_detection_table -- 用戶聲音表 WHERE distance < threshold -- 通常情況下，threshold為550 AND id = 'user_id' -- 用戶要驗證的id;

會議聲紋檢索（1:N 檢測）：系統通過識別當前講話人的聲音，會返回最相關的注冊用戶信息。如果沒有返回結果，說明當前會議說話人不在聲紋庫里面。

-- 聲紋會議人員識別(1:N)驗證SELECT id, -- 用戶id信息name, -- 用戶姓名l2_distance(voiceprint_feature, ARRAY[-0.017,-0.032,...]::float4[]) AS distance -- 向量距離 FROM person_voiceprint_detection_table -- 用戶聲音表 WHERE distance < threshold -- 通常情況下，threshold為550 ORDER BY voiceprint_feature <-> ARRAY[-0.017,-0.032,...]::float4[] -- 利用向量進行排序 LIMIT 1; -- 返回最相似的結果

結尾

詳細的聲紋模型以及相關的AnalyticDB系統請加我們的釘釘群，歡迎大家討論和使用。2

參考文獻：

[1] Aishell Data set.?https://www.openslr.org/33/

[2] TIMIT Data set.
http://academictorrents.com/details/34e2b78745138186976cbc27939b1b34d18bd5b3/

[3] Najim Dehak, Patrick Kenny, Réda Dehak, Pierre Dumouchel, and Pierre Ouellet, “Front-end factor analysis for speaker verification,” IEEE Transactions on Audio, Speech, and Language Processing, vol. 19, no. 4, pp. 788–798, 2011.

[4] David Snyder, Daniel Garcia-Romero, Daniel Povey and Sanjeev Khudanpur, “Deep Neural Network Embeddings for Text-Independent Speaker Verification”, Interspeech , 2017 :999-1003.

[5] Anton, Howard (1994), Elementary Linear Algebra (7th ed.), John Wiley & Sons, pp. 170–171, ISBN 978-0-471-58742-2

往期文獻：

[1] 戴口罩也能刷門禁？疫情下AnalyticDB亮出社區管理的寶藏神器！https://developer.aliyun.com/article/745160

[2] 阿里云提供高效基因序列檢索功能，助力冠狀病毒序列快速分析
https://developer.aliyun.com/article/753097

[3] 阿里云提供高效病原體檢測工具助力精準醫療
https://yq.aliyun.com/articles/761891

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的如何三步搭建一套声纹系统的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。