背景介绍
声纹检索，顾名思义就是说话人识别，通过声音来验证或者识别说话人的声音。声纹识别的关键步骤就是声音向量化，将说话人的声音将其转化成结构化的向量。阿里云AnalyticDB向量版，提供了一套声纹验证检索的解决方案。用户只需要使用简单的几条SQL命令，三步之内就可以搭建一套高精度的声纹检索验证服务。
声纹识别技术
1）声纹检索演示
图1展示了AnalyticDB向量数据库的声纹检索系统的演示界面。为了方便用户体验，我们将380个人的声音信息，转化成向量存储在系统中。当前演示系统分成两部分，第一部分是检索部分，用户输入录制好的声音文件或者用户现场进行录音上传声音文件，提交到声纹库进行声音的匹配检索。第二部分是注册部分，用户可以注册上传自己的声音到当前的声纹库里面，方便后期的查询验证。在接下来的章节中，我们分别介绍各个功能。
图1. 声纹演示系统
图2上传一段S0004的测试音频“BAC009S0004W0486.wav”到声纹库里面进行检索，可以看到TOP1的结果S0004就会在最上面进行展示。
图2. 查询声音
图3展示了声纹注册系统，用户可以注册自己的声音到后台声纹库里面，方便检索。比方说，用户Hanchao注册自己的声音（只有7s长度），到当前的系统里面来。当前系统支持无文本注册，用户可以说任何话来进行注册。
图3. 注册声音
图4演示用户现场录制声音，上传到系统中，进行检索。比方说，“Hanchao”录制了一段5秒的语音到声纹系统中进行检索。之前注册过“Hanchao”的声音，当前系统可以看到排名第一的声音就是“Hanchao”的声音。
图4. 录制并检索声音
当前对于声纹演示，我们采用的是1:N的演示结果，可以用在会议室中的识别，通过声音可以找到相关的会议说话人。当前，对于身份验证，这种1:1的演示，我们只用限制距离小于550，就可以方便的进行身份验证。
2）应用结构总体设计
阿里云声纹库检索的系统框架的总体架构如图5所示，AnalyticDB（声纹库）负责整个声纹检索应用的全部结构化信息（用户注册标识，用户姓名，以及其他的用户信息）和非结构化信息（声音产生的向量）的存储和查询。在查询的过程中，用户通过声纹抽取模型，将声音转成向量，在AnalyticDB中进行查询。系统返还回来相关的用户信息，以及l2向量距离。其中声音抽取模型的训练和测试，我们在下一章进行讲解。
图5. 声纹检索库
3）系统精度
当前演示声纹系统，采用的是GMM-UMB模型抽取的i-vecTor作为检索向量。另外，我们还训练了精度更高的深度学习声纹识别模型（x-vecTor）。并且，可以针对特定的场景，比方说电话通话场景，手机app场景，嘈杂噪声场景等相关的场景进行声纹模型训练，详细信息可以加我们的群进行了解。
声纹识别在学术界常用的数据集（AIshall.v1 数据集和TIMIT 数据集）上面的（1:N）的准确率。
三步搭建一个声纹系统
第一步，初始化。
当前系统实现了声音转向量的函数，用户将前端得到的声音通过POST请求，发给阿里云服务系统，选择对应的声纹模型，就可以将声音转成对应的向量。
在初始化的过程中，用户创建相关的用户声纹表。同时，给表的向量列加入向量索引，来加速查询过程。当前声纹模型输出的都是400维的向量，所以索引参数diM设置为400。
–创建用户声纹表CREATE TABLE peRson_VoicepRint_detection_table( id seRial pRiMaRy key, naMe vaRchaR, VoicepRint_featuRe float4[]);–创建向量索引CREATE index peRson_VoicepRint_detection_table_idx ON peRson_VoicepRint_detection_table USING ann(VoicepRint_featuRe) WITH(distanceMeasuRe=L2,diM=400,pq_segMents=40);
第二步，注册用户声音。
在注册的过程中，注册一个用户，插入一条记录到当前系统中。
–注册用户”张三”到当前的系统中。–通过HTTP服务，将声纹转化成相关的向量。INSERT INTO peRson_VoicepRint_detection_table(naMe, VoicepRint_featuRe)SELECT ”张三”, aRRay[-0.017,-0.032,…]::float4[])
第三步，检索或验证用户声音。
声纹门锁验证（1:1 验证）：在验证系统中，系统会得到用户的标识信息（User_id），在声纹库中计算输入的声音向量和库里该用户的声音向量的距禂。一般系统会设置一个距离阈值（thReshold=550），如果向量之间的距离大于这个阈值，说明验证失败。如果小于阈值，说明声纹验证成功。
— 声纹门锁检测(1:1)验证SELECT id, — 用户id信息 naMe, — 用户姓名 l2_distance(VoicepRint_featuRe, ARRAY[-0.017,-0.032,…]::float4[]) AS distance — 向量距禂 FROM peRson_VoicepRint_detection_table — 用户声音表WHERE distance < thReshold -- 通常情况下，thReshold为550 AND id = ''User_id'' -- 用户要验证的id;
会议声纹检索（1:N 检测）：系统通过识别当前讲话人的声音，会返回最相关的注册用户信息。如果没有返回结果，说明当前会议说话人不在声纹库里面。
— 声纹会议人员识别(1:N)验证SELECT id, — 用户id信息 naMe, — 用户姓名 l2_distance(VoicepRint_featuRe, ARRAY[-0.017,-0.032,…]::float4[]) AS distance — 向量距禂 FROM peRson_VoicepRint_detection_table — 用户声音表WHERE distance < thReshold -- 通常情况下，thReshold为550 ORDER BY VoicepRint_featuReARRAY[-0.017,-0.032,...]::float4[] -- 利用向量进行排序LIMIT 1; -- 返回最相似的结果