一、背景

　　當(dāng)前智能硬件產(chǎn)品中，最耀眼的莫過于百箱大戰(zhàn)的智能音箱、百“機(jī)”爭鳴的智能機(jī)器人，這些智能語音產(chǎn)品已逐漸走進(jìn)百姓的視線中。

　　在智能音箱市場中，且不說國外的Amason Echo和Google Home，僅在國內(nèi)，去年雙十一，天貓精靈99元跳樓價(jià)賣了一百萬臺(tái)，還有鋪天蓋地而來的小愛同學(xué)、叮咚音箱、小雅同學(xué)、出門問問等。

　　今年，百度推出比天貓精靈還低10元的小度智能音箱，僅賣89元，燒錢大戰(zhàn)一個(gè)比一個(gè)狠。在智能機(jī)器人市場也同樣打得火熱，這類智能音箱和智能機(jī)器人最明顯的特點(diǎn)，就是采用了語音作為全新的交互方式，力圖打造更接近于人與人交流的方式。

　　然而，大部分智能語音產(chǎn)品只能識(shí)別出說話的內(nèi)容，對于相同的問題都會(huì)給出相同的反饋信息。雖然交互方式是智能的，但交流方式仍然不夠智能。

　　所謂交流，即有明確對象，和不同對象交流應(yīng)有不同的回應(yīng)，聞聲即可識(shí)人，這才是更智能的體驗(yàn)。聲紋識(shí)別，正是可以實(shí)現(xiàn)這種聞聲識(shí)人的技術(shù)手段。

　　本文將談?wù)勗谥悄芤粝?、智能機(jī)器人等此類以語音為主要交互方式的智能硬件產(chǎn)品中，除了提升語音識(shí)別準(zhǔn)確率、語義理解效果外，怎樣使用聲紋識(shí)別來進(jìn)一步提升用戶體驗(yàn)，讓智能產(chǎn)品更加智能。

　　二、應(yīng)用場景

　　場景是需求的靈魂，拋開場景談需求都是耍流氓!

　　我們先對場景分分類，聲紋識(shí)別作為身份驗(yàn)證的一種手段，根據(jù)不同的安全性要求，我們將應(yīng)用場景分非關(guān)鍵應(yīng)用場景和關(guān)鍵應(yīng)用場景。

　　非關(guān)鍵應(yīng)用場景：即那些對安全性要求不高，即使誤識(shí)也不會(huì)產(chǎn)生明顯不良影響，但對用戶體驗(yàn)要求較高的場合，如：猜猜說話人是誰、個(gè)性化的服務(wù)推薦(歌曲推薦、餐廳推薦等);

　　關(guān)鍵應(yīng)用場景：這類應(yīng)用場景有明顯的安全性要求，不能容忍有誤識(shí)情況，誤識(shí)會(huì)帶來明顯的不良影響，如：一些重要的權(quán)限控制(家電開關(guān)控制等)、聲音購物支付等，這類型場景會(huì)犧牲一部分用戶體檢以保證安全性，畢竟魚和熊掌不可兼得!

　　三、應(yīng)用設(shè)計(jì)

　　聲紋識(shí)別在應(yīng)用上分為注冊和驗(yàn)證兩個(gè)流程，如下圖所示：
 

 

　　在智能音箱和智能機(jī)器人(家庭陪伴機(jī)器人)的產(chǎn)品中，聲紋識(shí)別其實(shí)就是1：N的應(yīng)用(N的值一般小于10)，音箱和機(jī)器人一般都會(huì)有一個(gè)名字，即喚醒詞，就如同人的名字一樣，以下設(shè)計(jì)我們暫且給智能硬件起個(gè)名字叫“你好同學(xué)”。

　　1.聲紋注冊流程設(shè)計(jì)

　　聲紋注冊是開啟聞聲識(shí)人的第一步，注冊者先說幾句話，系統(tǒng)自動(dòng)將其中的聲紋特征提取出來作為說話人身份的ID，這個(gè)過程如同像陌生人做自我介紹一樣，介紹完大家就認(rèn)識(shí)你了。

　　雖然聲紋注冊流程必不可少，但產(chǎn)品設(shè)計(jì)上卻希望這個(gè)流程越簡單越好，最好是不需要注冊這個(gè)環(huán)節(jié)(當(dāng)然這是不可能的!!!)。

　　在做注冊流程設(shè)計(jì)前，我們先搞清幾個(gè)問題：

　　(1)注冊入口在哪里?

　　目前的智能語音產(chǎn)品在交互方式上，除了用語音，還會(huì)分為帶顯示屏和不帶顯示屏，即有部分帶有視覺交互。

　　所以，注冊入口可分為三種：

　　直接在設(shè)備上使用語音方式作為注冊入口，即直接對設(shè)備說：你好同學(xué)，我要注冊聲紋;

　　在設(shè)備配套的APP上設(shè)置注冊入口，適合無屏的設(shè)備;

　　在設(shè)備自帶的屏幕上設(shè)置注冊入口，類似APP方式。

　　(2)在哪里采集注冊錄音?

　　對于注冊入口在APP上的情況，我們需要搞清楚錄音采集是在設(shè)備上，還是在手機(jī)上。

　　一般來說，無論注冊入口在哪里，最終的驗(yàn)證入口都是在設(shè)備上，為了避免在不同設(shè)備上錄音效果不一樣，造成驗(yàn)證準(zhǔn)確率下降(我們叫這種現(xiàn)象叫信道失配，即注冊信道與驗(yàn)證信道不一致而帶來的準(zhǔn)確率下降的現(xiàn)象)，我們會(huì)直接在設(shè)備上進(jìn)行注冊錄音的采集。

　　當(dāng)然，你非得在APP上錄音，也是可以的，呵呵!

　　(3)非關(guān)鍵應(yīng)用和關(guān)鍵應(yīng)用是否需要單獨(dú)注冊?

　　理論上來說，注冊語音越長，識(shí)別效果越好，但也需要考慮到用戶體驗(yàn)。所以，我們可以將注冊流程設(shè)計(jì)為基礎(chǔ)注冊+加強(qiáng)注冊，其中基礎(chǔ)注冊滿足非關(guān)鍵應(yīng)用場景，加強(qiáng)注冊主要是考慮到關(guān)鍵應(yīng)用場景的安全性問題。

　　(4)聲紋注冊上還有哪些需考慮的點(diǎn)?

　　智能音箱和機(jī)器人一般都是遠(yuǎn)場語音應(yīng)用，交互距離最大可達(dá)5米，同時(shí)也覆蓋了近場語音，所以在說話人離設(shè)備的距離不同時(shí)，采集的語音質(zhì)量也會(huì)存在差異。對語音識(shí)別來說可能不會(huì)有太多的影響，但對于聲紋識(shí)別來說，會(huì)造成聲紋特征的損失。所以在注冊時(shí)還需要考慮不同距離，比如：0.5米、3米、5米等。

　　另外，還需要考慮說話的音量、語速等因素，相信隨著識(shí)別算法的提升，這些因素都將不會(huì)成為產(chǎn)品設(shè)計(jì)的考慮點(diǎn)。

　　(5)聲紋注冊有哪些表現(xiàn)形式?

　　在注冊的表現(xiàn)形式上，可分為兩種：

　　引導(dǎo)式注冊：根據(jù)界面或語音提示，引導(dǎo)用戶一步一步進(jìn)行注冊，這是最為常用的方式，也是目前最合適的方式。

　　無感知注冊：即不需要指定用戶執(zhí)行注冊流程即可完成聲紋注冊，打破常規(guī)的聲紋注冊-聲紋驗(yàn)證的應(yīng)用流程，在使用過程中自動(dòng)完成聲紋注冊，直接實(shí)現(xiàn)“聽聲辨人”，最大限度提升用戶體驗(yàn)。我們下次再來詳細(xì)講一下這種無感知注冊。

　　2.聲紋注冊流程
 

 

　　3.原型設(shè)計(jì)參考

　　以帶屏設(shè)備上或APP上注冊為例，原型僅供參考，在真實(shí)項(xiàng)目中仍需要考慮更多的交互細(xì)節(jié)。對于注冊內(nèi)容，一般建議使用“喚醒詞+常用短語”的方式。當(dāng)然，如果追求更簡潔的注冊方式，也可以只讀兩次喚醒詞。
 

 

　　4.聲紋驗(yàn)證流程設(shè)計(jì)

　　在聲紋驗(yàn)證環(huán)節(jié)，一般通過純語音交互來完成，我們按非關(guān)鍵應(yīng)用場景和關(guān)鍵應(yīng)用場景來設(shè)計(jì)。

　　(1)非關(guān)鍵應(yīng)用場景驗(yàn)證

　　最常用的自我身份驗(yàn)證：對設(shè)備說出“你好同學(xué)，猜猜我是誰”或“你好同學(xué)，我是誰”，設(shè)備根據(jù)聲紋識(shí)別結(jié)果回應(yīng)說話人，比如：設(shè)備回應(yīng)：哎喲，你就那玉樹臨風(fēng)、風(fēng)流倜儻、迷死萬千少女兼大媽的彭魚宴。

　　非關(guān)鍵應(yīng)用場景有非常多的玩法，主要圍繞不同身份的個(gè)性化推薦來設(shè)計(jì)，具體大家可以根據(jù)實(shí)際產(chǎn)品及場景需求來思考。

　　另外，對于帶屏的設(shè)備，一般都會(huì)具備攝像頭，可以實(shí)現(xiàn)人臉識(shí)別功能。有些廠家可能會(huì)將人臉和聲紋結(jié)合起來做身份驗(yàn)證，這種多維度驗(yàn)證確實(shí)能提高安全性，但建議只在關(guān)鍵應(yīng)用場景下使用兩者作為驗(yàn)證手段，在非關(guān)鍵應(yīng)用場景中只使用聲紋識(shí)別。畢竟如果每次問機(jī)器人我是誰時(shí)，還要自己找到攝像頭正面看一會(huì)才能識(shí)別出身份，這樣的體驗(yàn)非常不好。

　　(2)關(guān)鍵應(yīng)用場景驗(yàn)證

　　此場景中，需要考慮二次身份核驗(yàn)，即在喚醒時(shí)已做一次身份識(shí)別，在說話人做出關(guān)鍵操作確定后，比如：確定購買商品，需要進(jìn)行身份核驗(yàn)。

　　由于是純語音交互，考慮到安全性，可采用讀4位隨機(jī)數(shù)字或喚醒詞的方式來驗(yàn)證，此種情況下聲紋識(shí)別必須具備活體檢測功能，以防止通過錄音的方式來假冒說話人聲音。

　　(3)驗(yàn)證流程設(shè)計(jì)(實(shí)際流程遠(yuǎn)比這個(gè)復(fù)雜)
 

 

　　四、未來應(yīng)用

　　雖然目前的智能硬件仍在不斷完美語音識(shí)別和語義理解的效果，然而，我們相信增加聲紋識(shí)別必定會(huì)大大提升智能設(shè)備的使用體驗(yàn)，同時(shí)亦可增加情緒識(shí)別、性別識(shí)別、年齡識(shí)別，讓機(jī)器更懂你。

　　正如電影“her”中的薩曼莎，語音交互水平已達(dá)到了強(qiáng)人工智能水平，比與人類交互效果更好。因?yàn)閔er可以在一秒內(nèi)檢索完主人所提問題關(guān)聯(lián)到相關(guān)知識(shí)信息，以更好給出回答，這是人類所不能達(dá)到的。要達(dá)到人類期望值中的語音交互效果，就必須讓設(shè)備能夠：聽得清、聽得懂、學(xué)得會(huì)、說得出。

　　小結(jié)分享

　　賽億方案十三年電子產(chǎn)品硬件及嵌入式軟件開發(fā)設(shè)計(jì)經(jīng)驗(yàn)，累計(jì)開發(fā)產(chǎn)品電子應(yīng)用設(shè)計(jì)完成5000多個(gè)方案設(shè)計(jì);目前為客戶提供理念超前的手機(jī)app開發(fā)、智能家居系統(tǒng)、電子技術(shù)、電子線路設(shè)計(jì)、PCB設(shè)計(jì)、電路板設(shè)計(jì)、單片機(jī)技術(shù)、智能控制、嵌入式系統(tǒng)等。如有產(chǎn)品方案開發(fā)意向，期待您的來訪。