Speaker Recognition
Az Azure AI Services – Speech Service beszélőfelismerés olyan algoritmusokat biztosít, amelyek egyedi hangjellemzőik alapján ellenőrzik és azonosítják a beszélőket. A Speaker Recognition a "ki beszél?" kérdés megválaszolására szolgál. További információk.
A hang egyedi jellemzőkkel rendelkezik, amelyek egy adott személyhez társíthatók. A Speaker Recognition technológiák két fő alkalmazásához biztosítjuk a Speaker Verification API-kat és a Speaker Identification API-kat.
Beszélő-ellenőrzés
A beszélő ellenőrzése lehet szövegfüggő vagy szövegfüggetlen. A szövegfüggő ellenőrzés azt jelenti, hogy a beszélőknek ugyanazt a jelszót kell választaniuk, amelyet a regisztrációs és ellenőrzési fázisokban is használniuk kell. A beszédtartalom és a hangaláírás ellenőrzése többtényezős ellenőrzési forgatókönyvet tesz lehetővé; A szövegfüggetlen ellenőrzés azt jelenti, hogy a beszélők mindennapi nyelven beszélnek a regisztrációs és ellenőrző kifejezésekben.
Szövegfüggő beszélő ellenőrzése
A beszélőregisztrációs fázisban a rendszer rögzíti a beszélő hangját egy előre definiált kifejezéskészletből származó jelszóval. A hangfunkciókat a rendszer kinyeri a hangfelvételből, hogy egyedi hangaláírást hozzon létre, miközben a kiválasztott jelszó felismerhető. A hangaláírás és a jelszó együttesen a beszélő ellenőrzésére szolgál.
Az ellenőrzési fázisban a rendszer elküldi az ellenőrizni kívánt személyhez társított azonosítót a beszélő-ellenőrzési API-nak. A beszélő-ellenőrző szolgáltatás kinyeri a hangfunkciókat és a jelszót a bemeneti beszédrögzítésből. Ezután összehasonlítja a hangfunkciókat és a jelszót a megfelelő beszélő regisztrációs profiljával.
A válasz "Elfogadás" vagy "Elutasítás" értéket ad vissza 0 és 1 közötti hasonlósági pontszámmal. Az "Elfogadás" vagy az "Elutasítás" válasz a beszélő-ellenőrzési és a beszédfelismerési eredményt kombináló eredmény, míg a hasonlósági pontszám csak a hang hasonlóságát méri. "Elfogadás" értéket adunk vissza, ha a beszédfelismerés eredménye megegyezik a regisztrációs kifejezéssel, és a hang hasonlósági pontszáma nagyobb vagy egyenlő 0,5-gyel. Az eredményt azonban a forgatókönyv és a használt egyéb ellenőrzési tényezők alapján kell meghatározni. Javasoljuk, hogy kísérletezzen a saját adataival, és határozza meg a küszöbértéket, hogy szükség szerint felülbírálja az "Elfogadás" vagy az "Elutasítás" válaszokat.
A szövegfüggő beszélő-ellenőrzési API jelenlegi verziójában 10 angol nyelvű kifejezést adunk meg a beszélőknek.
- Olyan ajánlatot fogok tenni neki, amit nem tagadhat meg.
- Houstonban volt egy probléma.
- A hangom az útlevelem.
- Az almalé íze vicces a fogkrém után.
- Jelszó nélkül is be tud jutni.
- Most már aktiválhatja a biztonsági rendszert.
- A hangom erősebb, mint a jelszavak.
- A jelszavam nem az Ön feladata.
- A nevem ismeretlen.
- Legyen önmaga, mindenki más már el van kapcsolva"
Létrehozhat saját jelszót, ha külön kéréseket küld a szövegfüggetlen beszélő-ellenőrzési API-nak és a beszédfelismerési API-nak. A beszélő-ellenőrzési eredmény és a beszédfelismerés eredményének kombinálásával meghatározhatja a beszélő identitását.
Az API-k nem arra szolgálnak, hogy megállapítsák, hogy a hang élő személytől származik-e, vagy egy regisztrált hangszóró utánzatából vagy felvételéből származik. A visszajátszási támadások megelőzése érdekében hatékonynak tekinthető, ha véletlenszerű kifejezéseket hoz létre a beszélő számára az olvasáshoz.
Szövegfüggetlen beszélő ellenőrzése
A beszélő-ellenőrzés szövegfüggetlen is lehet, ami azt jelenti, hogy nincs korlátozás arra, hogy a beszélő mit mond a hangban.
A regisztrációs fázisban a hangfunkciók kinyerése a beszélő hangjából egyedi hangaláírást hoz létre.
Az ellenőrzési fázisban a rendszer elküldi az ellenőrizni kívánt személyhez tartozó hangot és azonosítót a beszélő-ellenőrzési API-nak. A beszélő-ellenőrző szolgáltatás kinyeri a hangfunkciókat a bemeneti beszédrögzítésből. Ezután összehasonlítja a hangfunkciókat a megfelelő beszélő regisztrációs profiljában lévő hangaláírással.
A válasz "Elfogadás" vagy "Elutasítás" értéket ad vissza 0 és 1 közötti hasonlósági pontszámmal. Az "Elfogadás" válasz akkor lesz visszaadva, ha a hasonlósági pontszám nagyobb vagy egyenlő 0,5-ös értékkel. Az eredményt azonban a forgatókönyv és a használt egyéb ellenőrzési tényezők alapján kell meghatározni. Javasoljuk, hogy kísérletezzen a saját adataival, és határozza meg a küszöbértéket, hogy szükség szerint felülbírálja az "Elfogadás" vagy az "Elutasítás" választ.
Az API-k nem arra szolgálnak, hogy megállapítsák, hogy a hang élő személytől származik-e, vagy egy regisztrált hangszóró utánzatából vagy felvételéből származik.
Beszélőazonosítás
A beszélőazonosítás feladata egy ismeretlen hang identitásának meghatározása a jelölt beszélők körében. A Speaker Identification API a "legjobb találatok" listáját adja vissza az azonosítók megadott listájához viszonyított hasonlósági pontszámok alapján. A Speaker Identification API szövegfüggetlen, mivel nem hasonlítja össze a regisztráció és a felismerés során elhangzottakat.
Szövegfüggetlen beszélőazonosítás
A beszélőazonosításba történő regisztráció szövegfüggetlen, ami azt jelenti, hogy nincsenek korlátozások arra vonatkozóan, mit mond a beszélő a hanganyagban. Nincs szükség jelszóra. A regisztrációs fázisban a rendszer rögzíti a beszélő hangját, és kinyeri a hangfunkciókat, hogy egyedi hangaláírást hozzon létre.
Az azonosítási fázisban a beszélőazonosítási szolgáltatás kinyeri a hangfunkciókat a bemeneti beszédrögzítésből. Ezután összehasonlítja a funkciókat a megadott beszélőlista regisztrációs adataiban szereplő hangaláírásokkal (kérésenként legfeljebb 50 jelölt előadó). A válasz tartalmazott egy azonosított azonosítót és öt rangsorolt azonosítót, amelyek hasonlósági pontszáma 0 és 1 között volt. Az azonosított azonosító a legjobban megfelelt beszélő hasonlósági pontszáma alapján van meghatározva. Ha a jelölt előadók egyike sem ad vissza 0,5-nél nagyobb vagy egyenlő hasonlósági pontszámot, a válasz egy nulla sztringet ad vissza, amely azt jelzi, hogy "nem található egyezés". Az eredményt azonban a forgatókönyv és a használt egyéb tényezők alapján kell meghatározni. Javasoljuk, hogy kísérletezzen az adataival, és határozza meg a küszöbértéket, hogy szükség szerint felülbírálja az alapértelmezett "egyezést vagy nincs egyezést".
Az API-k nem arra szolgálnak, hogy megállapítsák, hogy a hang élő személytől származik-e, vagy egy regisztrált hangszóró utánzatából vagy felvételéből származik.