微信語音同一認(rèn)定的可行性研究

南兆營

（中國刑事警察學(xué)院，遼寧 沈陽 110854）

0 引言

根據(jù)騰訊官方發(fā)布的數(shù)據(jù)，到2020 年第二季度，微信的月活躍用戶數(shù)量已達(dá)到12.06 億，單用戶每天的語音發(fā)送條數(shù)約為7 條。大量的微信語音消息便利了人們的溝通交流，也成為多網(wǎng)絡(luò)犯罪常用的手段。以微信語音詐騙為例，犯罪分子一般先盜取受害人的微信賬號，使用“克隆軟件”提取受害人的微信語音，然后利用人工智能的方法合成含有虛假內(nèi)容的語音。這種合成語音從聽覺上很難分辨真假，使得犯罪分子利用這種方法進(jìn)行詐騙的成功率很高。因此，對微信語音的相關(guān)研究越來越重要。本文從聲紋檢驗(yàn)技術(shù)的角度出發(fā)，探究微信語音經(jīng)過網(wǎng)絡(luò)傳輸后能否進(jìn)行語音同一認(rèn)定問題。

1 聲紋檢驗(yàn)技術(shù)

目前，聲紋檢驗(yàn)技術(shù)在網(wǎng)絡(luò)犯罪領(lǐng)域越來越受到重視。隨著5G 時代的到來，音視頻信息無處不在，使得聲紋檢驗(yàn)技術(shù)得到了廣泛應(yīng)用。聲紋是指作為訴訟證據(jù)使用的各類聲音的特征集合［1］，國際上稱為“Voiceprint”，我國類比指紋的叫法稱其為“聲紋”。聲紋、指紋及DNA 等生物特征一樣，可以用于人身識別，客觀、準(zhǔn)確、生動形象且更加直觀與全面，具備其他生物特征不具備的優(yōu)勢［2］。聲紋檢驗(yàn)技術(shù)是指將科技手段與專業(yè)經(jīng)驗(yàn)、知識相結(jié)合，對音像資料中的聲音材料進(jìn)行各種分析、檢驗(yàn)及鑒定，以證明語音音源的同一性、音像資料的真實(shí)性和完整性、語音內(nèi)容、噪聲來源、說話人屬性以及錄制器材等內(nèi)容的專門鑒定技術(shù)，可為偵查提供線索、為審判提供證據(jù)［3］。

聲紋檢驗(yàn)技術(shù)主要包括語音同一性檢驗(yàn)、語音真實(shí)性（完整性）檢驗(yàn)、音源同一認(rèn)定以及說話人言語習(xí)慣分析等內(nèi)容。其中，語音同一性檢驗(yàn)在證據(jù)檢驗(yàn)領(lǐng)域通常被稱為聲紋鑒定、話者鑒別或說話人鑒別，是出現(xiàn)最多的語音證據(jù)檢驗(yàn)項(xiàng)目。語音同一性檢驗(yàn)的理論基礎(chǔ)是一個人的言語習(xí)慣形成以后，語音在一個較長時期內(nèi)本質(zhì)特征不變，具有相對穩(wěn)定性。每個人的語音具有不同于他人的個體特征，雖然同一個說話人不同次的發(fā)音在語音聲學(xué)特征上不完全符合，但是說話人自身語音的差異小于不同說話人之間的差異。

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)器材

通話設(shè)備為安卓智能手機(jī)，型號分別為EMLAL00（語音接收）、SEA-AL10（語音發(fā)送）和KNT-UL10（現(xiàn)場錄音），語音分析軟件為PRAAT。

2.2 實(shí)驗(yàn)設(shè)計(jì)

在比較安靜且無明顯回聲的環(huán)境中，通過手機(jī)SEA-AL10 上微信軟件的語音發(fā)送功能向手機(jī)EML-AL00 發(fā)送語音消息，同時第三部手機(jī)KNTUL10 放置在與語音發(fā)送手機(jī)SEA-AL10 距離約0.5 m 的位置，利用內(nèi)置錄音功能進(jìn)行實(shí)時錄音。

2.3 語音樣本

正常語速讀古詩《春曉》。

3 實(shí)驗(yàn)結(jié)果

將3 部手機(jī)上發(fā)送和接收到的微信語音消息和語音錄音提取出手機(jī)，分別導(dǎo)入電腦進(jìn)行比對分析，找出其中最清晰、最容易比對的語音進(jìn)行對照分析。具體地，選擇“春”“眠”“處處”作為鑒定對比的字詞音節(jié)，根據(jù)圖譜特征進(jìn)行基頻、共振峰等參數(shù)的測量分析，尋找數(shù)據(jù)之間的差異和共同點(diǎn)。

3.1 圖譜分析

對選定音節(jié)的微信語音發(fā)出端和接收端，從共振峰頻率值特征、動態(tài)特征及音節(jié)內(nèi)過渡形態(tài)特征3 個方面進(jìn)行分析。選定音節(jié)的聲譜圖如圖1～圖3 所示，圖譜測量結(jié)果如表1～表3 所示，其中x峰表示第x共振峰。

表1 音節(jié)“春”圖譜測量數(shù)據(jù)

表2 音節(jié)“眠”圖譜測量數(shù)據(jù)

表3 音節(jié)“處處”圖譜測量數(shù)據(jù)

3.1.1 共振峰頻率值特征

共振峰頻率是反映聲道傳輸特性的重要指標(biāo)，與聲道的形狀和長度密切相關(guān)，穩(wěn)定性強(qiáng)，在進(jìn)行語音同一認(rèn)定時使用價值最高［4］。由于復(fù)合元音韻母形成的共振峰為曲線形態(tài)，一般選用共振峰上的特定點(diǎn)或穩(wěn)定段進(jìn)行頻率測量和比對。實(shí)驗(yàn)中，所有測量音節(jié)的共振峰頻率值均在誤差允許范圍內(nèi)，說明共振峰頻率值特征在實(shí)驗(yàn)中非常穩(wěn)定，因此可用于微信傳輸語音的同一認(rèn)定。

3.1.2 共振峰動態(tài)特征

共振峰動態(tài)特征是指共振峰中心線在頻率-時間平面上的曲線形態(tài)，反映了語音及其共振峰的動態(tài)特性。直線型共振峰的走向可進(jìn)行斜度比對，曲線型共振峰的走向可進(jìn)行斜度、凹向及彎曲程度的對比。對實(shí)驗(yàn)中選定音節(jié)的共振峰進(jìn)行細(xì)致的觀察比對，各音節(jié)接收端與發(fā)出端的共振峰走向特征均呈現(xiàn)出較好的一致性，沒有明顯的差異。從圖譜對照結(jié)果來看，共振峰動態(tài)特征可以作為微信傳輸語音同一認(rèn)定的依據(jù)。

3.1.3 音節(jié)內(nèi)過渡音征

音節(jié)內(nèi)過渡音征是指一個音節(jié)內(nèi)部圖譜的過渡形態(tài)，包括聲母與韻母相銜接的一段動態(tài)性音段（前音渡）的形態(tài)、元音韻母的共振峰走向形態(tài)、韻母與鼻韻尾之間相銜接的一段動態(tài)性音段（后音渡）的形態(tài)。

實(shí)驗(yàn)對選定音節(jié)進(jìn)行全面的比對檢驗(yàn)。以圖2為例，微信語音接收端“眠”音節(jié)內(nèi)部的過渡音征走向和過渡方式表現(xiàn)與發(fā)出端一致，可以作為微信傳輸語音同一認(rèn)定的依據(jù)。

3.2 結(jié)果討論

通過分析和表1～表3 的數(shù)據(jù)可以看出，微信發(fā)出端和接收端語音在基頻、共振峰頻率值特征、動態(tài)特征及音節(jié)內(nèi)過渡音征上呈現(xiàn)相似性，即在手機(jī)上利用微信軟件進(jìn)行語音傳輸并不會對語音造成明顯的改變，發(fā)送端和接收端的語音可以進(jìn)行同一認(rèn)定。但是，微信端（發(fā)送端和接收端）語音樣本與現(xiàn)場錄音樣本在聲學(xué)特征上存在較大的差異，在共振峰頻率值特征、動態(tài)特征及音節(jié)內(nèi)過渡音征方面均有較為明顯的差異，且共振峰的數(shù)據(jù)測量值差異也比較明顯。例如，音節(jié)“眠”在語音發(fā)出端和現(xiàn)場錄音的波形圖有明顯的差異，在現(xiàn)場錄音中聲音的振動強(qiáng)度更大，如圖4 所示。

究其原因，出現(xiàn)該現(xiàn)象可能兩方面的原因。一方面，設(shè)備錄音時的距離不同，說話者貼近語音發(fā)送端的手機(jī)話筒，而錄音手機(jī)靜置于旁邊，聲音的傳輸時間、聲音傳播受干擾時間以及空氣雜音干擾時間不相同，導(dǎo)致錄音和微信傳輸語音的品質(zhì)不同。另一方面，微信發(fā)送語音時錄音機(jī)制與打開錄音機(jī)進(jìn)行錄音時的錄音機(jī)制不同，導(dǎo)致聲音呈現(xiàn)的圖譜形態(tài)存在一定的差異。這兩個原因代表的影響普遍存在于將語音用于同一認(rèn)定的過程，因此在實(shí)際應(yīng)用中不應(yīng)將數(shù)據(jù)的簡單對比作為判斷話者是否為同一人的唯一證據(jù)，還應(yīng)綜合考慮各種因素，以采用科學(xué)的方法進(jìn)行語音的同一認(rèn)定。

4 語音同一認(rèn)定方法

語音同一認(rèn)定的常規(guī)方法主要有審聽檢驗(yàn)和圖譜檢驗(yàn)（也被稱為聽辨分析和聲譜分析［5］）。審聽檢驗(yàn)是指通過直接用耳朵辨聽樣本和檢材中的語音內(nèi)容對發(fā)音特征進(jìn)行直觀比對和認(rèn)定的初檢方法。圖譜檢驗(yàn)是指將語音通過專門軟件轉(zhuǎn)化為聲譜圖，通過觀察圖譜中的聲紋特征進(jìn)行比對分析，從而得出結(jié)論。

4.1 審聽檢驗(yàn)

審聽檢驗(yàn)的主要內(nèi)容包括：

（1）全面審聽錄音材料，掌握錄音中的談話人數(shù)、內(nèi)容、口氣、氣氛、心理、人際關(guān)系以及空間環(huán)境特點(diǎn)等相關(guān)信息；

（2）著重提取具有個體特色的音素，如在發(fā)音中出現(xiàn)的重復(fù)、顛倒、拼讀錯誤、語法以及習(xí)慣用詞等具有個人特征的信息；

（3）分析具有較高比對價值的音節(jié)，要求音節(jié)發(fā)音清晰，可以生成清晰的圖譜，原則上能夠在圖譜中看到4 級及以上的共振峰，且該音節(jié)為檢材和樣本所共有；

（4）聽辨噪聲，辨別并記錄噪聲的種類、來源、出現(xiàn)的位置以及音量或電平信號的突然變化等。

通過以上各類信息的聽辨分析，做出相似或差異程度的評價。

4.2 圖譜檢驗(yàn)

圖譜檢驗(yàn)也叫語音圖譜視覺檢驗(yàn)。它是指選擇合適的參考音節(jié)或音段，從中選出適合對照的“語音對”，利用語音聲學(xué)分析知識和個人經(jīng)驗(yàn)生成視覺顯示最佳化的語音圖譜。

圖譜檢驗(yàn)的方法包括概貌觀察和語圖形態(tài)比較兩種。通過概貌觀察，分析語圖結(jié)構(gòu)成分的完整性、時長、動態(tài)范圍、共振峰及能量集中區(qū)分布等信息。語圖形態(tài)比較從所選的最小語音單元圖譜開始檢驗(yàn)，一般選擇音節(jié)作為最小的分析單元。圖譜檢驗(yàn)的順序是聲母、過渡區(qū)和韻母。仔細(xì)觀察、分析檢材和樣本中相同和相近的音素、音節(jié)、詞語及短語圖譜的語音聲學(xué)特性和聲學(xué)模式，包括共振峰特性（共振峰級數(shù)、頻率及強(qiáng)度）、共振峰動態(tài)特性（斜率、凹向及彎曲程度）、音節(jié)內(nèi)過渡特征（前音渡和后音渡）、音節(jié)間過渡特征、過零率曲線和輔音濁化現(xiàn)象、協(xié)同發(fā)音現(xiàn)象、音強(qiáng)曲線以及基頻曲線等，最后作出相似或差異程度的評價。

5 語音同一認(rèn)定的結(jié)論形式

語音從生成到記錄的整個過程都是動態(tài)的，即便是同一個人，兩次發(fā)相同音的語音及圖譜也不可能完全一致。加上環(huán)境和設(shè)備條件的動態(tài)變化，差異不可避免。對檢材和樣本語音的比對分析，一般以3 種結(jié)論形式呈現(xiàn)：一是全部特征基本一致，沒有明顯差異點(diǎn)，如實(shí)驗(yàn)中微信發(fā)出端與接收端的語音，可以做出同一認(rèn)定的結(jié)論；二是多數(shù)特征有明顯差異，符合點(diǎn)很少，可以做出否定的結(jié)論；三是多數(shù)特征基本符合，但存在少數(shù)差異點(diǎn)，如實(shí)驗(yàn)中微信端語音與現(xiàn)場錄音的對比，此時必須通過動態(tài)分析確定差異點(diǎn)是同一個人的非本質(zhì)差異還是不同人的本質(zhì)差異，之后再做出相應(yīng)結(jié)論。

6 結(jié)語

根據(jù)實(shí)驗(yàn)結(jié)果可知，微信發(fā)出端和接收端語音在基頻、共振峰頻率值特征、動態(tài)特征及音節(jié)內(nèi)過渡形態(tài)特征上呈現(xiàn)相似性，因此在手機(jī)上利用微信軟件進(jìn)行語音傳輸并不會對語音造成明顯的改變，即發(fā)送端和接收端的語音可以進(jìn)行同一認(rèn)定。但是，微信端語音樣本與現(xiàn)場錄音樣本在聲學(xué)特征上存在較大的差異。因此，實(shí)際應(yīng)用中不應(yīng)將數(shù)據(jù)的簡單對比作為判斷話者是否為同一人的唯一證據(jù)。語音同一認(rèn)定必須對作案環(huán)境、錄音條件與設(shè)備、話者的自然條件和社會環(huán)境以及話者的生理和心理等多種音素做出細(xì)致充分的分析和考察，并綜合分析聽覺評價、圖譜比較、定量比對及動態(tài)分析的結(jié)果，才能得出最后的結(jié)論。