話者認識Speaker Recognition

内容ではなく人を見ます

同じ音を前にしても何を見るかは分かれます。文字起こしは言葉の内容だけを残し、声の質は捨てます。話者認識は逆に、内容は捨てて声の質だけを残します。だから初めて聞く文章でも、たとえ知らない言葉でも人を見分けられます。

声の質は体の作りから生まれます。声帯の長さと厚み、口の中と鼻の中の空間、舌と唇を動かす癖が重なって人ごとに違う模様を作ります。音の絵の中で縞模様の間隔とその上に重なる響きの形が、その模様です。

話し方の癖も手がかりになります。話す速さ、語尾を上げる癖、間の取り方のようなものです。ただしこうしたものは状況によってよく変わるので、体から来る特徴ほどは信用されません。

数値のまとまりに変えて比べます

声を丸ごと比べるわけではありません。数秒の録音を音の絵に広げたあと、その人の特徴だけを残した数値のまとまり一つに圧縮します。このまとまりは同じ人であれば何を話しても近い場所に置かれ、違う人であれば遠く離れるように学習されています。

登録は、このまとまりを作って保存する作業です。後で入ってきた声も同じ方式でまとまりを作り、二つのまとまりがどれだけ近いかを測ります。比べられるのは音そのものではなく、この数値のまとまりです。

だから登録するときは数言だけ録音すればよく、後でまったく違う文章を話しても見分けられます。登録する文をあらかじめ決めてその文だけを受け付ける方式もありますが、この場合は精度が上がる代わりに、録音しておいて後で再生する攻撃に弱くなります。

二つの間違いは引き換えです

似ている点数にはしきい値が一つあります。このしきい値をどこに置くかがサービスの性格を決めます。低く置けば本人は楽に通りますが、声が似ている他人もいっしょに通ります。高く置けば他人は弾かれますが、本人もよく弾かれます。

一方を減らせばもう一方が増えます。だから何を守りたいかによって置き方が変わります。スピーカーに話しかけて曲をかける程度ならゆるくてもかまいませんが、お金が動く場面ではずっと厳しく設定し、他の確認手段もあわせて使います。

間違いの負担がみなに同じというわけでもありません。学習にあまり使われなかった声、たとえばとても年配の人や幼い人、特定の地域の話し方をする人は、同じしきい値でもより頻繁に弾かれます。しきい値ひとつが、ある人には不便として、ある人には玄関先でいつも言い争う事態として返ってきます。

よく揺れます

風邪をひくと声が変わります。とても疲れていたりのどが枯れていたりしてもそうです。マイクを替えたり電話を通して聞いたりすると音の質そのものが押しつぶされて点数が下がります。登録は静かな部屋で行い、使用は道端で行うという状況が代表的な難しい例です。

複数人で同時に話す場も難しくなります。会議の録音で誰がいつ話したかを区切る作業は別に扱われますが、声が重なる区間では特によく間違えます。とてもよく似た声、特に家族や双子は、人でも聞き分けにくいように機械も戸惑います。

声は変えられません

ここが最も気をつける点です。パスワードは漏れたら変えればいいですが、声は変えられません。一度集められた声の記録は、一生同じ人を指し続けます。だから声は指紋と同じ生体情報として扱われ、多くの国で集めて保存するのに別途の同意と保護措置を求めています。

真似た声に破られる危険も大きくなりました。短い録音だけで他人の声をそれらしく作り出す道具が広まったからです。だから声だけで本人を確認する方式はしだいに危うくなっていて、生きている人が今話しているかをあわせて確かめたり、他の確認手段を重ねて使ったりする方向に移っています。

使う側にも気をつけることがあります。録音をそのまま溜め込まずに数値のまとまりだけを残すこと、どこにどれだけ保管しているかを知らせること、消したいときに消せるようにしておくことです。