Recunoașterea vocii

Recunoașterea vocală verifică identitatea pe baza caracteristicilor fizice ale vocii unei persoane, iar capacitatea sa de a reutiliza infrastructura telefonică existentă a făcut-o deosebit de atractivă pentru autentificarea în call center și în banking telefonic.

Recunoașterea vocală este o tehnologie care permite unui utilizator să folosească propria voce ca dispozitiv de intrare. Recunoașterea vocală poate fi folosită pentru a dicta text către calculator sau pentru a da comenzi calculatorului (precum deschiderea unor programe, derularea meniurilor sau salvarea documentelor).

Aplicațiile mai vechi de recunoaștere vocală necesită ca fiecare cuvânt să fie separat printr-o pauză distinctă. Acest lucru permite mașinii să determine unde se termină un cuvânt și unde începe următorul. Astfel de aplicații de recunoaștere vocală sunt încă folosite pentru a naviga în sistemul calculatorului și a opera aplicații precum browsere web sau foi de calcul.

Aplicațiile mai noi de recunoaștere vocală permit unui utilizator să dicteze text fluent către calculator. Aceste aplicații mai noi pot recunoaște vorbirea la o viteză de până la 160 de cuvinte pe minut. Aplicațiile care suportă vorbire continuă sunt în general proiectate să recunoască textul și să-l formateze, mai degrabă decât să controleze sistemul calculatorului în sine.

Recunoașterea vocală folosește o rețea neuronală pentru a "învăța" să recunoască vocea unei persoane. Pe măsură ce vorbiți, software-ul de recunoaștere vocală își amintește modul în care pronunțați fiecare cuvânt. Această personalizare permite funcționarea recunoașterii vocale chiar dacă fiecare persoană vorbește cu accente și inflexiuni diferite.

Pe lângă învățarea modului în care pronunțați cuvintele, recunoașterea vocală folosește și contextul gramatical și frecvența de utilizare pentru a prezice cuvântul pe care doriți să îl introduceți. Aceste instrumente statistice puternice permit software-ului să reducă baza de date lingvistică masivă chiar înainte să rostiți următorul cuvânt.

Deși acuratețea recunoașterii vocale s-a îmbunătățit în ultimii ani, unii utilizatori întâmpină încă probleme de acuratețe, fie din cauza modului în care vorbesc, fie din cauza naturii vocii lor.

Tehnologia de recunoaștere vocală folosește aspectele distinctive ale vocii pentru a verifica identitatea persoanelor. Recunoașterea vocală este uneori confundată cu recunoașterea vorbirii, o tehnologie care traduce ceea ce spune un utilizator (un proces neasociat autentificării). Tehnologia de recunoaștere vocală, în schimb, verifică identitatea persoanei care vorbește. Cele două tehnologii sunt adesea combinate — recunoașterea vorbirii este folosită pentru a traduce cuvântul rostit într-un număr de cont, iar recunoașterea vocală verifică caracteristicile vocale în raport cu cele asociate acelui cont.

Recunoașterea vocală poate folosi orice dispozitiv de captură audio, inclusiv telefoane mobile și fixe și microfoane de PC. Performanța sistemelor de recunoaștere vocală poate varia în funcție de calitatea semnalului audio, precum și de diferențele dintre dispozitivele de înrolare și cele de verificare, deci achiziția are loc de obicei pe dispozitivul cel mai probabil a fi folosit pentru verificările viitoare.

În timpul înrolării, unei persoane i se cere să selecteze o frază de acces sau să repete o secvență de numere. Fraza de acces selectată ar trebui să aibă aproximativ 1-1,5 secunde — frazele foarte scurte nu conțin suficiente date de identificare, iar parolele lungi au prea multe, ambele situații rezultând într-o acuratețe redusă. Persoanei i se cere în general să repete fraza de acces sau setul de numere de câteva ori, ceea ce face procesul de înrolare puțin mai lung decât pentru majoritatea celorlalte biometrii.

Una dintre provocările implementărilor biometrice la scară mare este necesitatea de a distribui hardware nou către angajați, clienți și utilizatori. Un punct forte al implementărilor de recunoaștere vocală bazate pe telefonie este că pot evita această problemă, în special atunci când sunt implementate în aplicații de call center și de acces la cont. Fără hardware suplimentar la capătul utilizatorului, sistemele de recunoaștere vocală pot fi instalate ca o subrutină prin care sunt direcționate apelurile înainte de a se acorda accesul la informații sensibile. Capacitatea de a folosi telefoanele existente înseamnă că furnizorii de recunoaștere vocală au astăzi sute de milioane de dispozitive de autentificare disponibile pentru utilizare tranzacțională.

În mod similar, recunoașterea vocală poate folosi procesele existente de acces la cont și de autentificare, eliminând necesitatea de a introduce scenarii de autentificare greoaie sau confuze. Sistemele telefonice automatizate care folosesc recunoașterea vorbirii sunt astăzi omniprezente, datorită economiilor posibile prin reducerea numărului de angajați necesari pentru a opera call center-uri. Recunoașterea vocală și recunoașterea vorbirii pot funcționa simultan pe aceeași rostire, permițând celor două tehnologii să se combine fără probleme. Recunoașterea vocală poate funcționa ca un mecanism de autentificare de încredere pentru sistemele telefonice automatizate, adăugând securitate tranzacțiilor telefonice automatizate în domenii precum serviciile financiare și sănătatea.

Deși contrar percepției multor utilizatori, anumite tehnologii de recunoaștere vocală sunt foarte rezistente la atacurile de tip impostură — chiar mai mult decât unele sisteme de amprentare. Deși respingerea falsă poate fi o problemă comună, această rezistență la potriviri false înseamnă că recunoașterea vocală poate fi folosită pentru a proteja tranzacții de valoare relativ ridicată.

Deoarece tehnologia nu a fost folosită în mod tradițional în aplicații de aplicare a legii sau de urmărire, unde ar putea fi percepută ca o tehnologie de tip "Big Brother", există mai puțină teamă publică că datele de recunoaștere vocală ar putea fi urmărite între baze de date sau folosite pentru a monitoriza comportamentul individual. Astfel, recunoașterea vocală evită în mare măsură unul dintre cele mai mari obstacole cu care se confruntă alte tehnologii biometrice: percepția de invazivitate.

Recunoașterea vocală este o soluție puternică pentru implementări în care interacțiunea vocală este deja prezentă. Nu este o soluție puternică atunci când vorbirea este introdusă ca un proces nou. Telefonia este principala zonă de creștere pentru recunoașterea vocală și va rămâne probabil de departe cea mai comună zonă de implementare a tehnologiei. Aplicațiile bazate pe telefonie pentru recunoașterea vocală includ accesul la cont pentru servicii financiare, autentificarea clienților pentru apeluri de serviciu și implementări de tip întrebare-răspuns pentru autentificarea legată de arest la domiciliu și eliberare condiționată. Aceste soluții direcționează apelanții prin subrutine de înrolare și verificare, folosind hardware și software specifice furnizorului, integrate cu infrastructura existentă a instituției.

Recunoașterea vocală a fost implementată și în soluții de acces fizic pentru trecerea frontierei, deși acesta nu este mediul ideal de implementare al tehnologiei.

Deși veniturile din această tehnologie sunt relativ mici astăzi, recunoașterea vocală va genera venituri substanțial mai mari până în 2007. Cel mai probabil să fie implementată în medii bazate pe telefonie (precum accesul la cont pentru servicii financiare și autentificarea clienților pentru apeluri de serviciu), veniturile din recunoașterea vocală sunt proiectate să crească de la 12,2 milioane USD în 2002 la 142,1 milioane USD în 2007. Veniturile din recunoașterea vocală sunt estimate să reprezinte aproximativ 4% din întreaga piață biometrică.

Banking-ul telefonic este tot mai popular în rândul clienților și va deveni tot mai atractiv pentru bănci și alte instituții financiare pe măsură ce implementează tehnologii de recunoaștere automată a vorbirii, extrem de eficiente din punct de vedere al costurilor, pentru a gestiona tranzacțiile de rutină.

Dar procedurile de verificare a clienților prin telefon sunt nesatisfăcătoare, atât în privința confortului clientului, cât și, tot mai mult, din punct de vedere al securității.

Problema

Abordarea obișnuită pentru verificarea clienților — a dovedi că sunt cine pretind că sunt — este folosirea unui fel de PIN sau de parolă. Pentru a evita ca un client să fie nevoit să rostească parola cu voce tare, i se cere de obicei să spună, de exemplu, a doua și a patra literă din parolă.

Există mai multe probleme cu această abordare:

• În primul rând, parolele și codurile PIN sunt greu de reținut și greoaie pentru ca clienții să le folosească în acest mod.
• În al doilea rând, durează — identificarea și verificarea apelantului este adesea cea mai îndelungată componentă a unei tranzacții, iar acest lucru se traduce direct în costuri.
• În al treilea rând, securitatea în sine lasă de dorit — mulți clienți își notează parolele sau le dezvăluie operatorului (în cazuri extreme pot alege chiar același PIN pe care îl folosesc pentru retrageri de la ATM). Multe call center-uri le cer apelanților informații "secrete" suplimentare, precum numele de fată al mamei, dar acest lucru nu face decât să agraveze celelalte două probleme.

Există acum tehnologii care permit ca persoanele să fie verificate în mod fiabil, rapid și eficient din punct de vedere al costurilor, pe baza caracteristicilor fizice ale vocii lor.

Mai mulți furnizori oferă acum tehnologie comercială de verificare vocală. Un exemplu bun este Nuance Communications, cu sediul în California, care folosește în esență aceeași tehnologie care stă la baza software-ului lor de recunoaștere a vorbirii independentă de vorbitor. Dar, în acest caz, recunoașterea depinde de vorbitor — clientul este autorizat să folosească sistemul doar dacă amprenta sa vocală individuală se potrivește cu identitatea sa (stabilită în mod normal printr-un număr de cont).

Un client nou se înrolează automat în sistem prin telefon, repetând aproximativ 10 numere de patru cifre sau citind un scurt fragment de text. Software-ul extrage din aceasta o serie de caracteristici fizice unice acelei voci. În toate tranzacțiile ulterioare, apelantului, odată identificat, i se cere să repete câteva PIN-uri generate aleatoriu sau, de exemplu, nume de orașe (acest lucru servește la prevenirea fraudatorilor care ar înregistra un client rostind parola sau PIN-ul). Dacă amprenta vocală se potrivește cu cea stocată pentru numărul de cont, tranzacția continuă; dacă nu, clientul este direcționat către un supervizor.

Testele-pilot ale tehnologiei sunt încurajatoare. O acuratețe ridicată a verificării corecte poate fi combinată cu o probabilitate scăzută de respingere falsă, ceea ce este potrivit pentru majoritatea operațiunilor bancare, iar întreaga procedură este mai rapidă, mai simplă și mult mai eficientă din punct de vedere al costurilor. Surprinzător, sunt necesari doar câțiva kilobyți de stocare pentru fiecare amprentă vocală, iar deoarece identitatea pretinsă a clientului este deja stabilită, este necesară o singură comparație, deci verificarea este destul de rapidă (identificarea vocală folosind aceeași tehnologie este, desigur, mult mai lentă, deoarece sistemul trebuie să găsească o potrivire între multe amprente vocale).

Verificarea vocală este deosebit de potrivită pentru dialogurile automate de recunoaștere a vorbirii, iar o combinație fără probleme a celor două tehnologii este de așteptat să devină rapid norma pentru majoritatea tranzacțiilor simple de banking telefonic.

Desigur, verificarea vocală este mult mai puțin aplicabilă altor canale de livrare, precum banking-ul la sucursală sau sistemele bazate pe ecran (deși au fost construite sisteme-pilot). O altă abordare interesantă a verificării clienților pe Internet se bazează pe recunoașterea facială, folosind sisteme precum Passfaces.

Caracteristicile specifice fiecărui vorbitor se datorează diferențelor în aspectele fiziologice și comportamentale ale sistemului uman de producere a vorbirii. Principalul aspect fiziologic al sistemului uman de producere a vorbirii este forma tractului vocal. Tractul vocal este în general considerat organul de producere a vorbirii situat deasupra corzilor vocale, format din: (i) faringele laringian (sub epiglotă), (ii) faringele oral (în spatele limbii, între epiglotă și valul palatin), (iii) cavitatea bucală (în fața valului palatin, mărginită de buze, limbă și palat), (iv) faringele nazal (deasupra valului palatin, capătul din spate al cavității nazale) și (v) cavitatea nazală (deasupra palatului și extinzându-se de la faringe până la nări). Zona umbrită din figura 1 arată tractul vocal.

Tractul vocal modifică conținutul spectral al unei unde acustice pe măsură ce trece prin el, producând astfel vorbirea. De aceea, este obișnuit ca sistemele de verificare a vorbitorului să folosească trăsături derivate exclusiv din tractul vocal. Pentru a caracteriza trăsăturile tractului vocal, mecanismul uman de producere a vorbirii este reprezentat ca un sistem discret în timp, de forma prezentată în figura 2.

Unda acustică este produsă atunci când fluxul de aer din plămâni este purtat prin trahee prin corzile vocale. Această sursă de excitație poate fi caracterizată drept fonație, șoaptă, fricație, compresie, vibrație sau o combinație a acestora. Excitația fonată apare atunci când fluxul de aer este modulat de corzile vocale. Excitația șoptită este produsă de fluxul de aer care trece printr-o mică deschidere triunghiulară între cartilajele aritenoide din spatele corzilor vocale aproape închise. Excitația prin fricație este produsă de constricții în tractul vocal. Excitația prin compresie rezultă din eliberarea unui tract vocal complet închis și presurizat. Excitația prin vibrație este cauzată de aerul forțat printr-o închidere alta decât corzile vocale, în special la nivelul limbii. Vorbirea produsă prin excitație fonată se numește vocală; cea produsă prin excitație fonată plus fricație se numește mixt vocală; iar cea produsă prin alte tipuri de excitație se numește nevocală.

Tractul vocal poate fi reprezentat într-o formă parametrică ca funcția de transfer H(z). Pentru a estima parametrii lui H(z) din forma de undă a vorbirii observate, este necesar să se presupună o anumită formă pentru H(z). Ideal, funcția de transfer ar conține atât poli, cât și zerouri. Totuși, dacă sunt folosite doar regiunile vocale ale vorbirii, un model doar-cu-poli pentru H(z) este suficient. Mai mult, analiza de predicție liniară poate estima eficient parametrii unui model doar-cu-poli. Se mai poate observa că modelul doar-cu-poli este partea de fază minimă a modelului real și are un spectru de amplitudine identic, care conține cea mai mare parte a informației dependente de vorbitor.

Aceasta subliniază și natura dependentă de text a modelelor de tract vocal. Deoarece modelul este derivat din vorbirea observată, acesta depinde de vorbirea însăși. Figura 3 ilustrează diferențele între modelele a doi vorbitori care rostesc aceeași vocală.

Trăsăturile LPC au fost foarte populare în primele sisteme de recunoaștere a vorbirii și de verificare a vorbitorului. Totuși, compararea a doi vectori de trăsături LPC necesită măsuri de similaritate costisitoare din punct de vedere computațional, precum distanța Itakura-Saito, ceea ce face trăsăturile LPC nepotrivite pentru sistemele în timp real. Furui a sugerat folosirea cepstrumului — definit ca transformata Fourier inversă a logaritmului spectrului de amplitudine — în aplicațiile de recunoaștere a vorbirii. Cepstrumul permite calcularea similarității dintre doi vectori de trăsături cepstrale ca o simplă distanță euclidiană. Mai mult, Atal a demonstrat că cepstrumul derivat din trăsăturile LPC produce cea mai bună performanță în ceea ce privește FAR și FRR pentru un sistem de verificare a vorbitorului. În consecință, cepstrumul derivat din LPC este folosit pentru sistemul de verificare a vorbitorului descris aici.

Folosind analiza cepstrală descrisă în secțiunea anterioară, o rostire poate fi reprezentată ca o secvență de vectori de trăsături. Rostirile făcute de aceeași persoană în momente diferite rezultă în secvențe de vectori de trăsături similare, dar diferite. Scopul modelării vocale este de a construi un model care captează aceste variații în setul de trăsături extrase. Două tipuri de modele au fost folosite extensiv în sistemele de verificare a vorbitorului și de recunoaștere a vorbirii: modelele stocastice și modelele de tip șablon. Modelul stocastic tratează procesul de producere a vorbirii ca un proces aleatoriu parametric și presupune că parametrii procesului stocastic subiacent pot fi estimați într-un mod precis, bine definit. Modelul de tip șablon încearcă să modeleze procesul de producere a vorbirii într-un mod neparametric, păstrând un număr de secvențe de vectori de trăsături derivate din mai multe rostiri ale aceluiași cuvânt de către aceeași persoană. Modelele de tip șablon au dominat lucrările timpurii în verificarea vorbitorului și recunoașterea vorbirii, deoarece modelul de tip șablon este intuitiv mai rezonabil. Totuși, lucrările recente privind modelele stocastice au demonstrat că aceste modele sunt mai flexibile și permit astfel o modelare mai bună a procesului de producere a vorbirii. Un model stocastic foarte popular pentru procesul de producere a vorbirii este Modelul Markov Ascuns (HMM). Modelele HMM extind modelele Markov convenționale, în sensul că observațiile sunt o funcție probabilistică a stării — adică, modelul este un proces stocastic dublu încorporat, în care procesul stocastic subiacent nu este direct observabil (este ascuns). Modelul HMM poate fi observat doar printr-un alt set de procese stocastice care produc secvența de observații. Astfel, HMM este o mașină cu stări finite, unde o funcție de densitate de probabilitate p(x | s_i) este asociată fiecărei stări s_i. Stările sunt conectate printr-o rețea de tranziție, unde probabilitățile de tranziție între stări sunt a_ij = p(s_i | s_j). Un HMM cu trei stări, complet conectat, este ilustrat în figura 4.

Pentru semnalele de vorbire, un alt tip de HMM, numit model stânga-dreapta sau model Bakis, s-a dovedit a fi mai util. Un model stânga-dreapta are proprietatea că, pe măsură ce timpul crește, indexul stării crește (sau rămâne același) — adică stările sistemului evoluează de la stânga la dreapta. Deoarece proprietățile unui semnal de vorbire se schimbă în timp în mod succesiv, acest model este foarte potrivit pentru modelarea procesului de producere a vorbirii.

Procesul de potrivire a tiparelor compară un set dat de vectori de trăsături de intrare cu modelul vorbitorului pentru identitatea pretinsă și calculează un scor de potrivire. Pentru Modelele Markov Ascunse discutate mai sus, scorul de potrivire este probabilitatea ca un set dat de vectori de trăsături să fi fost generat de model.

Legături vechi (nemaifuncționale) (4)

• http://www.newscientist.com/news/news.jsp?id=ns99993921
• http://www.speech.cs.cmu.edu/comp.speech/SpeechLinks.html
• http://www.authentify.com/solutions/demos/index.html
• http://www.cybertown.com/qvoice/startrek.html