原標題：依圖科技聲紋識別權威競賽奪冠，智能語音再下一城

全球權威聲紋識別競賽結果出爐，依圖科技獲得第一

作者：栗峰

編輯：唐里

在奧地利召開的機器語音國際頂會 InterSpeech 2019 上，國際聲紋識別權威競賽 VoxCeleb Speaker Recognition Challenge（VoxSRC）公布最新結果，依圖科技大幅領先海內外多支強隊獲得冠軍，再次展示了世界級人工智能算法實力。

不僅如此，依圖團隊使用小數據就取得了優于其他團隊使用大數據得到的結果，充分表明中國聲紋識別技術已達世界領先水平。

依圖團隊（logicworld）在全球權威聲紋識別競賽 VoxSRC 2019奪冠，等錯誤率（EER）0.0098，大幅領先第二名。

聲紋識別為什么難？

聲紋識別是一種通過聲音判別說話人身份的技術。如果說語音識別是讓機器判斷「說了什么」，那聲紋識別就是判斷「是誰說的」，用于解決生物身份的確認和識別。

2012 年以來，深度學習技術逐漸進入聲紋識別主流，這種方法純粹采用數據驅動的方式，通過海量數據樣本和深度神經網絡模型，讓機器自動去發掘聲學特征中說話人的信息差異，從而「學會」聲學特征中的說話人信息表示。

很顯然，使用基于端到端深度學習的方法做聲紋識別，擁有大量聲紋數據樣本，就有了無可置疑的優勢。

目前，聲紋識別應用還處于探索階段，但其應用前景十分廣闊。最容易想到的，比如會議錄音的音頻轉錄，在結合了聲紋識別技術后，就能自動標注出誰在什么時候說了什么，輕松完成多人會議紀錄，大幅提高工作效率。

隨著技術的不斷成熟和融合，聲紋識別技術將逐漸融入日常生活，根據不同應用場景的特點進行針對性開發，將產生巨大的應用價值。

VoxSRC：聲紋識別界的 ImageNet 競賽

VoxSRC 是由英國牛津大學、韓國互聯網巨頭 Naver、斯坦福國際研究院（SRI International）和 MIT 的研究者聯合發起的全球聲紋識別競賽，可以說是「聲紋識別界的 ImageNet 競賽」。在很大程度上，VoxSRC 結果反映了全球聲紋識別技術最高水平。

VoxSRC 基于開源數據集 VoxCeleb，由牛津大學團隊于 2017 年發布，后來逐漸擴充，現在是聲紋識別領域規模最大、標注最完備的開源數據集之一。

VoxCeleb 來自 YouTube 名人采訪視頻，包含了 7000 多個不同種族、性別、口音、職業和年齡的說話人，在不同場合下超過 100 萬段的說話聲（utterance），時長加起來總共超過 2000 小時（每段音頻的長度從 3 秒到 20 秒不等）。

除了數據量大且來源多樣化，VoxCeleb 的音視頻基本都含有背景噪音、笑聲、重疊的說話聲和其他雜音，非常考驗算法的實戰水平。

牛津大學發布并維護的VoxCeleb數據集是目前全球規模最大、標注最完備的開源聲紋數據集之一，數據來源多樣且都來自無約束場景，非常考驗算法的實戰水平。

此外，VoxSRC 的測試數據集是「盲的」（blind），即沒有任何標注。這些數據無法用來訓練或調整系統，確保了比賽結果的公正與準確（不會出現有團隊過擬合數據的情況）。

今年的 VoxSRC 吸引了海內外多支隊伍參與，有約翰霍普金斯大學、法國國家信息與自動化研究所、清華大學、中山大學等知名高校和研究機構，也有平安科技、NEC、君林科技等大企業。

競賽的任務很明確，就是判斷兩段音頻是出自同一個人，還是來自兩個不同的人。算法的輸出結果用等錯誤率（Equal Error Rate，EER）來衡量。

EER 是衡量聲紋識別算法系統綜合性能的重要指標，EER 值越小，系統的性能就越好。

什么是EER、FAR、FRR？

評估算法系統性能時常輸出ROC 曲線，用于描述FAR（誤識率）與FRR（拒識率）之間的關系。

簡單說，在聲紋識別中，誤識率就是“把不應該匹配的聲紋當成匹配聲紋”的比例，拒識率則是“把應該匹配的聲紋當成不匹配聲紋”的比例。

在對安全要求非常高的應用場景，就會把FAR值設置得低一些，因為判斷錯一次的代價很大，但這樣做的同時會導致FRR值上升，用戶體驗度下降。

等錯誤率（EER）是系統的誤識率（FAR）和拒識率（FRR）相等時的錯誤率，即ROC曲線與45度角直線相交的點，是衡量聲紋識別算法系統綜合性能的重要指標。EER數值越小，系統性能越好。

為了評估數據量（訓練樣本多少）對系統性能的影響，這次 VoxSRC 競賽給定了兩種情況，一是固定數據集，另一個是無約束數據集。

• 固定數據集任務，參賽隊伍使用的訓練數據集是固定的，也即 VoxCeleb2，該數據集包含了來自 5994 個不同說話人超過 100 萬段的說話聲音頻。
• 無約束數據集任務，參賽隊伍在訓練模型時，可以使用除競賽測試集以外的其他任何數據，包括未公開發布的數據。

依圖團隊以 0.0098 的 EER 值獲得本屆競賽冠軍，也是唯一將 EER 值降低到 0.01 以內的團隊。

特別值得一提的是，這個結果比其他團隊無約束數據集任務的結果更好（無約束數據集任務的冠軍 EER 值為 0.0126）。

中國最好的就是全球最好的

依圖已經不是第一次在國際人工智能公開比賽中獲得第一。

成立 7 年來，依圖在視覺感知、自然語言處理、語音識別、智能決策等多算法領域發展，并且都獨占鰲頭。這次在全球聲紋識別權威競賽 VoxSRC 中奪冠，是對中國自有 AI 技術能夠引領世界的又一個絕佳證明。

今年 5 月，依圖發布自研云端 AI 芯片求索（questcore?），旨在提升智能密度，結合世界領先人工智能算法和先進芯片設計理念，同等功耗下的視覺推理性能是 NVIDIA GPU 的 5 倍。

基于求索構建的智能視頻分析系統，將原本需要 16 臺機柜的方案壓縮到 1 臺，降低數據中心整體建設成本 50%，運維成本 80%，讓 10 萬路智能視頻解析系統成標配，50 萬路成現實，大幅提升基礎設施智能水平，為人工智能應用落地和普及奠定了堅實的基礎。

8 月 29 日，依圖獲得科技部正式授牌，承建視覺計算國家新一代人工智能開放創新平臺，促進芯片設計與人工智能的融合，同時針對不同業務場景打造一系列定制化芯片，支持智能城市、智慧醫療和智慧金融等行業。

未來，依圖將在多算法領域持續投入，多模態技術融合，軟硬件協同開發，將世界優勝人工智能算法與行業場景深度結合，推動人工智能應用落地。

點擊 閱讀原文查看 安卓智能語音助手源代碼返回搜狐，查看更多

責任編輯：