2025年中關村論壇平行論壇“未來互聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展論壇”3月29日舉行，清華大學人工智能研究院聽覺智能中心主任鄭方在論壇上表示，聲紋智能是重構(gòu)安全可信的下一代互聯(lián)網(wǎng)身份防線。聲紋識別會比人臉識別安全嗎？未來應用前景如何？對此，新京報記者對鄭方進行采訪。
聲紋識別有多項優(yōu)勢，更容易體現(xiàn)真實意圖
新京報：目前，AI換臉等技術(shù)可能對人臉識別造成影響，在身份認證上，聲紋識別會比人臉識別更安全嗎？
鄭方：聲紋識別有幾個優(yōu)勢比較明顯。第一個就是防止偽造，現(xiàn)在生成式人工智能帶來的威脅就是偽造出人的音視頻，需要將偽造檢測出來，尤其是深度偽造。聲音的認證有比較強的信號的內(nèi)在特性和方法的先進性，所以能夠把偽造的聲音非常準確地檢測出來，保證認證的準確性。
語音信號中的多種語音信息，既可派生出多種識別技術(shù)，亦可綜合運用解決復雜需求問題，比如方言口音識別、年齡識別、健康識別等。
另外，聲紋識別更容易體現(xiàn)出真實意圖。身份認證會涉及遠程辦理的情況，比如手機銀行、電子政務等場景，雖然方便，但也可能存在被認證人被脅迫的情況。另外，也有被動認證的情況，比如在路過某處時人臉被掃描，在未知的情況下被認證。相比之下，聲音中的情感容易被檢測出來，比如聲紋識別時檢測出恐懼情感時，屬于異常情況，可以進一步再驗證本人是否主動進行認證。
語音還有適老化、信息無障礙的特點。比如我現(xiàn)在要進行一些操作，可以不用點手機菜單，而是直接把話說出來，其中既包含命令，也蘊含身份信息和意圖是否自愿。這不僅對老人和殘疾人非常方便，也讓健全人在特殊場合的操作更加簡便，比如兩手提著東西或者開車時。
新京報：人臉有相像的情況，聲音非常相似的話是否可以準確識別？
鄭方：我們做過一些非常好的實驗，找極端的案例，比如同卵雙胞胎。同卵雙胞胎光看人臉，有些是很難區(qū)分的，但聲紋可以100%區(qū)分，所以聲紋的區(qū)分性和唯一性是非常強的。
美國有些科學家做了很多年研究，對各種不同生物特征做了全面的比較，其中聲紋在唯一性方面甚至比人臉要強。母女、父子、兄弟或者姐妹的人臉有時候很相似，但聲音是能夠完全分開的。
未來可進行“聲紋+人臉”多模態(tài)識別
新京報：聲紋識別是否有弱點，如何突破？
鄭方：任何一個技術(shù)都會有弱點，聲紋識別也不例外。和人臉識別會受到光線影響一樣，聲紋識別存在噪聲的問題，但并非不能解決。比如雞尾酒會效應，是指在嘈雜環(huán)境中，人們能夠?qū)Ｗ⒂谝粋€特定聲音源并忽略其他聲音的能力。所以我們可以用麥克風陣列的技術(shù)把噪聲去掉，前期已經(jīng)做了一些基礎研究和鋪墊。
另外，人的聲音和長相一樣，會隨著年齡增長出現(xiàn)變化。針對這個情況，我們提前20年就開始做基礎課題的研究，已經(jīng)收集了15年的數(shù)據(jù)，找了一組志愿者，連續(xù)15年每周說相同的話，最后找到了人的聲音隨年齡變化的規(guī)律，我們稱之為聲音的時變。所以我們現(xiàn)在基本上找到了解決方案，而且效果比較好。
錄音重放攻擊是個巨大安全威脅，對此，我們發(fā)明了防假體攻擊鑒偽（鑒別偽造）技術(shù)。
新京報：未來聲紋識別是否可以疊加其他特征一起識別？
鄭方：可以進行多模態(tài)的識別，用聲紋跟人臉結(jié)合，這是生物特征認證最好的兩種方式。一方面，聲紋和人臉是人類和自然界信息交互最主要的兩種方式。另外，在手機等智能終端上，麥克風和攝像頭是標配。
所以我們多年前就啟動了聲紋和人臉結(jié)合的研究，比較超前的方面是我們的技術(shù)可以不用把聲音聽全，不用把人臉看全，即非完整信息融合。比如影像被某個物品遮住一部分，聲音突然被關門聲蓋過了一部分，也可以實現(xiàn)識別。這帶來了更大的便利，比如人臉不用對準識別框，聲音也不用輸入時按鍵、結(jié)束時松手，實現(xiàn)無感認證。這個認證方式包含了防偽造攻擊、體現(xiàn)意圖等特點。
新京報：聲紋識別的應用前景如何？離大規(guī)模應用還有多久？
鄭方：應用會非常廣泛，目前已經(jīng)在移動金融、公安、社保、智慧家居等領域有了一些應用實踐。國家政務服務平臺上已經(jīng)開通了以聲紋識別的方式進行網(wǎng)絡身份認證登錄的通道。
《國家網(wǎng)絡身份認證公共服務管理辦法（征求意見稿）》去年已經(jīng)向社會公開征求意見，預計很快公開。未來網(wǎng)絡身份認證將會應用到聲紋，推動之后會非常快速地覆蓋應用，我們現(xiàn)在做的都是前期準備和驗證工作。
編輯：李華山
