本文將談?wù)勗谥悄芤粝洹⒅悄軝C器人等此類以語音為主要交互方式的智能硬件產(chǎn)品中，除了提升語音識別準確率、語義理解效果外，怎樣使用聲紋識別來進一步提升用戶體驗，讓智能產(chǎn)品更加智能。

一、背景

當前智能硬件產(chǎn)品中，最耀眼的莫過于百箱大戰(zhàn)的智能音箱、百“機”爭鳴的智能機器人，這些智能語音產(chǎn)品已逐漸走進百姓的視線中。

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元跳樓價賣了一百萬臺，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)一個比一個狠。在智能機器人市場也同樣打得火熱，這類智能音箱和智能機器人最明顯的特點，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)品只能識別出說話的內(nèi)容，對于相同的問題都會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)，聞聲即可識人，這才是更智能的體驗。聲紋識別，正是可以實現(xiàn)這種聞聲識人的技術(shù)手段。

本文將談?wù)勗谥悄芤粝?、智能機器人等此類以語音為主要交互方式的智能硬件產(chǎn)品中，除了提升語音識別準確率、語義理解效果外，怎樣使用聲紋識別來進一步提升用戶體驗，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，聲紋識別作為身份驗證的一種手段，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，即使誤識也不會產(chǎn)生明顯不良影響，但對用戶體驗要求較高的場合，如：猜猜說話人是誰、個性化的服務(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，不能容忍有誤識情況，誤識會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

聲紋識別在應(yīng)用上分為注冊和驗證兩個流程，如下圖所示：

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

1. 聲紋注冊流程設(shè)計

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

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

在做注冊流程設(shè)計前，我們先搞清幾個問題：

（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：

1. 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；
2. 在設(shè)備配套的APP上設(shè)置注冊入口，適合無屏的設(shè)備；
3. 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，還是在手機上。

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

當然，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)用是否需要單獨注冊？

理論上來說，注冊語音越長，識別效果越好，但也需要考慮到用戶體驗。所以，我們可以將注冊流程設(shè)計為基礎(chǔ)注冊+加強注冊，其中基礎(chǔ)注冊滿足非關(guān)鍵應(yīng)用場景，加強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？

智能音箱和機器人一般都是遠場語音應(yīng)用，交互距離最大可達5米，同時也覆蓋了近場語音，所以在說話人離設(shè)備的距離不同時，采集的語音質(zhì)量也會存在差異。對語音識別來說可能不會有太多的影響，但對于聲紋識別來說，會造成聲紋特征的損失。所以在注冊時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，相信隨著識別算法的提升，這些因素都將不會成為產(chǎn)品設(shè)計的考慮點。

（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：

1. 引導(dǎo)式注冊：根據(jù)界面或語音提示，引導(dǎo)用戶一步一步進行注冊，這是最為常用的方式，也是目前最合適的方式。
2. 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-聲紋驗證的應(yīng)用流程，在使用過程中自動完成聲紋注冊，直接實現(xiàn)“聽聲辨人”，最大限度提升用戶體驗。我們下次再來詳細講一下這種無感知注冊。

2. 聲紋注冊流程

3. 原型設(shè)計參考

以帶屏設(shè)備上或APP上注冊為例，原型僅供參考，在真實項目中仍需要考慮更多的交互細節(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. 聲紋驗證流程設(shè)計

在聲紋驗證環(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。

（1）非關(guān)鍵應(yīng)用場景驗證

最常用的自我身份驗證：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性化推薦來設(shè)計，具體大家可以根據(jù)實際產(chǎn)品及場景需求來思考。

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

（2）關(guān)鍵應(yīng)用場景驗證

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

由于是純語音交互，考慮到安全性，可采用讀4位隨機數(shù)字或喚醒詞的方式來驗證，此種情況下聲紋識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）驗證流程設(shè)計（實際流程遠比這個復(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別和語義理解的效果，然而，我們相信增加聲紋識別必定會大大提升智能設(shè)備的使用體驗，同時亦可增加情緒識別、性別識別、年齡識別，讓機器更懂你。

正如電影“her”中的薩曼莎，語音交互水平已達到了強人工智能水平，比與人類交互效果更好。因為her可以在一秒內(nèi)檢索完主人所提問題關(guān)聯(lián)到相關(guān)知識信息，以更好給出回答，這是人類所不能達到的。要達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、說得出。

期待“her”的出現(xiàn)?。。?/p>

作者：Micos，在人工智能浪潮中推波助瀾的產(chǎn)品經(jīng)理，致力于用智能語音實現(xiàn)人與機器最自然的交互方式。

本文由 @Micos 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議