只需一臺(tái)錄音機(jī)就可實(shí)現(xiàn)攻擊，阿湯哥是怎么做到的？

【編者按】雷鋒網(wǎng)專欄特約作者宮雅卓，聚虹光電創(chuàng)始人，上海交大博士，主攻生物識(shí)別領(lǐng)域，在虹膜識(shí)別領(lǐng)域有15年的專研。本文是《碟中諜5》背后的生物識(shí)別技術(shù)系列科普的下篇——語(yǔ)音識(shí)別篇。

電影中，伊森.亨特重復(fù)播放由若干單詞組成的一小段英國(guó)首相的錄音，就輕松騙過(guò)了語(yǔ)音識(shí)別系統(tǒng)。看似輕松的破解過(guò)程，只需要一臺(tái)錄音機(jī)就能完成的攻擊手段，讓“語(yǔ)音識(shí)別技術(shù)”在黑科技云集的科幻大片中并不那么耀眼。

日常生活中，我們也有接觸到各種形式的語(yǔ)音識(shí)別技術(shù)，用來(lái)取代鍵盤(pán)輸入，或者變身成Siri一般的智能小助手，與人類進(jìn)行簡(jiǎn)單的對(duì)話。

語(yǔ)音識(shí)別技術(shù)，到底在研究什么？能多大程度改變我們的生活？

我為各位一一道來(lái)。

（“碟中諜5”中的語(yǔ)音識(shí)別系統(tǒng)）

語(yǔ)音識(shí)別的特點(diǎn)

語(yǔ)音識(shí)別，是一種結(jié)合了生理和行為兩種成分的生物認(rèn)證技術(shù)。氣管、鼻腔、咽喉、舌頭等組織的相互配合，影響了聲音的音調(diào)、音強(qiáng)和音色，從而形成了每個(gè)人聲音的獨(dú)特性，這構(gòu)成語(yǔ)音的生理基礎(chǔ)；而每個(gè)人不同的說(shuō)話內(nèi)容，則構(gòu)成了語(yǔ)音的行為基礎(chǔ)。

因此，語(yǔ)音識(shí)別是一種很有趣的過(guò)程，既要知道你在說(shuō)什么內(nèi)容（行為特征），又要知道你在以什么樣的方式說(shuō)（生理特征）。

語(yǔ)音識(shí)別，是成本最低的生物識(shí)別技術(shù)。

因?yàn)椴恍枰蕾嚢嘿F的成像芯片和光學(xué)鏡頭，也沒(méi)有臺(tái)式PC和移動(dòng)終端的限制，只需要一枚麥克風(fēng)即可采集語(yǔ)音，因此在各種身份認(rèn)證產(chǎn)品中都可以集成該功能。用戶對(duì)著麥克風(fēng)說(shuō)出特定的短語(yǔ)，系統(tǒng)將用戶的語(yǔ)音樣本過(guò)濾后，與先前存儲(chǔ)的語(yǔ)音樣本比較，達(dá)到一定的近似度閾值，用戶就通過(guò)了身份認(rèn)證。

語(yǔ)音識(shí)別的應(yīng)用

語(yǔ)音識(shí)別技術(shù)，分為“語(yǔ)義識(shí)別”和“語(yǔ)音身份識(shí)別”兩大類應(yīng)用模式。

語(yǔ)義識(shí)別，也被稱作話語(yǔ)識(shí)別、非特定人語(yǔ)音識(shí)別，其目的在于理解話語(yǔ)中的單詞和句子——也就是話語(yǔ)中的內(nèi)容。

由于幾乎可以被任何人使用，語(yǔ)義識(shí)別技術(shù)的應(yīng)用場(chǎng)景非常多樣化，被集成到各種設(shè)備上，已經(jīng)成為智能硬件發(fā)展的主流趨勢(shì)。

手機(jī)的進(jìn)化歷史，就是文本輸入技術(shù)的發(fā)展史，也是語(yǔ)義識(shí)別技術(shù)的革命史。最早的功能手機(jī)屏幕很小，帶有26鍵或9鍵實(shí)體鍵盤(pán)；隨著智能手機(jī)發(fā)展，實(shí)體按鍵越來(lái)越少，甚至整合進(jìn)入屏幕成為虛擬鍵盤(pán)。實(shí)體鍵消失的大趨勢(shì)，讓文本輸入技術(shù)發(fā)生著改變，而手環(huán)、手表、眼鏡等小屏或無(wú)屏可穿戴式設(shè)備的興起，人們不得不尋找比鍵盤(pán)更有效的文本輸入方式。于是，語(yǔ)音識(shí)別技術(shù)，成為文本輸入的最輕松、最自然方式。 

正如Siri為我們展示的那樣，我們已經(jīng)習(xí)慣于通過(guò)語(yǔ)音撥打電話、打開(kāi)應(yīng)用、查詢天氣，也能不動(dòng)一根手指，用語(yǔ)音輸入法發(fā)送消息，但這些語(yǔ)義應(yīng)用，依然借助了屏幕這一載體。未來(lái)，智能設(shè)備幾乎是沒(méi)有屏幕可以觸摸，最終只能通過(guò)語(yǔ)音這種采集成本低、容易集成的方式來(lái)實(shí)現(xiàn)人機(jī)交互。

（蘋(píng)果的Siri是語(yǔ)義識(shí)別技術(shù)的應(yīng)用典范）

語(yǔ)音身份識(shí)別，也稱說(shuō)話者識(shí)別，將語(yǔ)音作為一種穩(wěn)定的生物特征來(lái)識(shí)別說(shuō)話者的身份。

早期的身份識(shí)別精度很低，缺乏特定的語(yǔ)音處理和特征提取技術(shù)，只能判斷一個(gè)人的種族。二戰(zhàn)時(shí)，美日雙方經(jīng)常夜戰(zhàn)，黑暗中無(wú)法判斷對(duì)方是敵是友。美國(guó)人根據(jù)“日本人對(duì)l，r發(fā)音不準(zhǔn)確”這一聲音特性，制定了一個(gè)口令“l(fā)ollapalooza（意為：非常出色的人）”，一旦對(duì)方發(fā)音不準(zhǔn)確，就直接開(kāi)火。

今天的語(yǔ)音識(shí)別精度，已經(jīng)可以判斷一個(gè)人的身份。用戶對(duì)著麥克風(fēng)說(shuō)出特定的短語(yǔ)，系統(tǒng)將用戶的語(yǔ)音樣本進(jìn)行背景噪音過(guò)濾、特征提取，再與先前存儲(chǔ)的語(yǔ)音樣本比較，達(dá)到一定的近似度閾值，用戶就通過(guò)了身份認(rèn)證。

（語(yǔ)音身份識(shí)別的流程）

語(yǔ)音識(shí)別的缺陷

語(yǔ)音的采集成本雖然低，但在身份識(shí)別中并未大規(guī)模應(yīng)用。目前看來(lái)，主要是因?yàn)檎Z(yǔ)音識(shí)別面臨著不易提取、不夠穩(wěn)定、容易模仿三大問(wèn)題。

缺乏多樣性和噪音影響，是語(yǔ)音特征不易提取的兩大原因。

語(yǔ)音是一維線性特征，與指紋、人臉、虹膜等二維圖像特征相比，信息量更少，精度也更低。此外，語(yǔ)音識(shí)別的性能，還會(huì)受到外界環(huán)境的影響，如同時(shí)有多個(gè)說(shuō)話者，或者環(huán)境噪音嘈雜，也會(huì)導(dǎo)致語(yǔ)音識(shí)別精度降低。

語(yǔ)音會(huì)受時(shí)間、年齡、身體狀況影響而發(fā)生改變，是導(dǎo)致語(yǔ)音特征不穩(wěn)定的重要原因。

每個(gè)人在青春期都會(huì)經(jīng)歷“變聲”的過(guò)程，常見(jiàn)的感冒、鼻塞、咽喉炎、聲帶疲勞都會(huì)影響語(yǔ)音識(shí)別的性能。因此，語(yǔ)音識(shí)別的穩(wěn)定性并不好。

語(yǔ)音是一種較易模仿的生物特征，如果口技演員改行做聲音竊取，破解成功率將非常驚人。錄音是攻破語(yǔ)音系統(tǒng)的另一種常用方法，“諜5”對(duì)此有準(zhǔn)確描繪：伊森·亨特只用一臺(tái)錄音機(jī)就輕松竊取到英國(guó)首相的語(yǔ)音。為防止錄音攻擊，一些語(yǔ)音識(shí)別系統(tǒng)從較小的詞匯表中隨機(jī)產(chǎn)生一個(gè)變化的短語(yǔ)讓用戶朗讀。這種方式能夠阻擋一般的攻擊者，但經(jīng)驗(yàn)豐富和準(zhǔn)備充分的老手僅需多花一點(diǎn)時(shí)間而已。

綜上所述，不易提取、不夠穩(wěn)定、容易模仿這三大問(wèn)題困擾著語(yǔ)音識(shí)別技術(shù)，難道它注定只能在低端徘徊，無(wú)法滿足更高安全等級(jí)、更高識(shí)別精度的要求嗎？

魚(yú)和熊掌：價(jià)格最低 & 性能最好

語(yǔ)音用于身份識(shí)別，無(wú)法回避識(shí)別精度過(guò)低的先天缺陷，但是將語(yǔ)音和其他高精確度、高穩(wěn)定性的生物特征相結(jié)合，既保留語(yǔ)音的低成本優(yōu)勢(shì)，又彌補(bǔ)其低精度的弱點(diǎn)，打造出一種“魚(yú)和熊掌”兼得的完美生物特征。

為了彌補(bǔ)語(yǔ)音的缺陷，我們選擇哪一種最高精確度、最高穩(wěn)定性的生物特征呢？學(xué)術(shù)界早有結(jié)論：虹膜識(shí)別，在精確度和穩(wěn)定性兩方面，是所有生物特征中最好的，目前最優(yōu)秀的虹膜識(shí)別算法甚至將誤識(shí)率降低到1/500萬(wàn)以下。

虹膜位于眼球前部，表面覆蓋角膜，是一種隱藏在身體內(nèi)部的特征。虹膜是瞳孔周圍具有多種顏色的環(huán)狀組織，呈現(xiàn)出一種復(fù)雜的放射狀紋理。虹膜在出生之前隨機(jī)發(fā)育產(chǎn)生，因此所有的虹膜都是獨(dú)一無(wú)二的，從出生6個(gè)月直到死亡都保持不變。

將“價(jià)格最低廉的語(yǔ)音識(shí)別”與“識(shí)別精度最高的虹膜識(shí)別”組合，可以依據(jù)不同的需要進(jìn)行精度調(diào)整，使系統(tǒng)安全等級(jí)具有更大的彈性。特別針對(duì)用戶規(guī)模達(dá)到數(shù)十萬(wàn)、甚至上百萬(wàn)的大型身份識(shí)別應(yīng)用，“語(yǔ)音+虹膜”的組合已經(jīng)成為最具競(jìng)爭(zhēng)力的技術(shù)方案。

比如，國(guó)內(nèi)已經(jīng)推出集成虹膜和語(yǔ)音兩種識(shí)別技術(shù)的社保支付終端，用戶可以根據(jù)支付金額及環(huán)境情況，選擇更具靈活性的身份認(rèn)證方式，如小額支付用語(yǔ)音識(shí)別，大額支付用虹膜識(shí)別；安靜環(huán)境使用語(yǔ)音識(shí)別，嘈雜環(huán)境使用虹膜識(shí)別。

“語(yǔ)音+虹膜”的組合，將兩者的優(yōu)點(diǎn)（低成本、高精度）集于一身，正是《碟中諜5》啟發(fā)我們提出的最具技術(shù)前瞻性的身份識(shí)別方案。

作者系列科普文章參考：

1、《碟中諜5》背后的生物識(shí)別技術(shù)有哪些？（上）

2、碟5中讓阿湯哥頭疼的“步態(tài)分析”，究竟神在哪里？

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。