幾年前，四川大學(xué)教師在某綜藝節(jié)目中展現(xiàn)了一個(gè)“挑戰(zhàn)不可能”的技能，女教師在不認(rèn)識(shí)辨別對(duì)象的情況下，蒙著眼與人交談幾句話，就能匹配聲音和人臉，準(zhǔn)確地從10多人中找到聲音的主人。

最近，中科院和阿里安全的研究者也挑戰(zhàn)了“不可能”，他們讓AI掌握了上述女教師的這項(xiàng)技能。通過訓(xùn)練AI模型，研究表情和聲音的關(guān)系。給定一段聲音和僅有一張正確人臉的若干張圖片，AI將為該聲音找到“主人”。經(jīng)驗(yàn)證，相較于人類67%的正確率，AI的準(zhǔn)確率接近90%。在“1對(duì)N”的匹配實(shí)驗(yàn)中，AI還能對(duì)聲音歸屬人臉的“可能性”進(jìn)行排序。

這種技術(shù)是一種自適應(yīng)的學(xué)習(xí)框架，用來挖掘和學(xué)習(xí)人臉與聲音的潛在聯(lián)系，該論文研究成果隨即也被CVPR 2021接收。

現(xiàn)有研究表明，人臉和聲音受到年齡、性別、生理結(jié)構(gòu)、語言習(xí)慣等共同因素的影響，兩者的聯(lián)系強(qiáng)烈而復(fù)雜多樣。該研究第一作者、中科院計(jì)算所博士研究生溫佩松介紹，中科院和阿里安全的研究團(tuán)隊(duì)將公開數(shù)據(jù)集中兩種類型的數(shù)據(jù)在共享空間中表示，從而達(dá)到跨模態(tài)匹配的目的，在學(xué)習(xí)策略上利用了數(shù)據(jù)集的局部和全局信息，提高了模型的學(xué)習(xí)效率和效果。

通俗來看，即聲音可能是音頻格式，人臉是圖片格式，兩類信息以不同的格式存儲(chǔ)，難以比較，所以研究者將聲音和人臉“翻譯”成了同一種格式的信息，讓AI模型可以對(duì)兩種信息之間的關(guān)聯(lián)自行學(xué)習(xí)。AI學(xué)會(huì)了兩種信息的關(guān)聯(lián)性之后，就能幫聲音找到人臉，或者幫人臉找到聲音。因此，AI的這項(xiàng)技能不僅可以“聽音識(shí)人”，還能“見人知聲”。

溫佩松介紹，該研究進(jìn)行了三類實(shí)驗(yàn)，第一種，給定一段聲音和僅含有一張正確人臉的若干張人臉圖片，AI匹配聲音和人臉的正確率最高可達(dá)87.2%;第二種，給定一段聲音和一張人臉，詢問AI這是否屬于同一個(gè)人，準(zhǔn)確率最高可達(dá)87.2%;第三種，給定一段聲音和含有若干張正確人臉的圖片，要求AI把所有人臉排序，使得正確的人臉盡可能靠前，AI也能準(zhǔn)確完成任務(wù)。該實(shí)驗(yàn)在公開測(cè)試集上一共測(cè)試了20076張人臉和21850段音頻，AI的表現(xiàn)都令人驚喜。

圖說：AI模型通過比較聲音和人臉圖片在共享空間的距離，推斷出相似度，按相似度將候選人臉排序。

在相同的任務(wù)上，如果待鑒別對(duì)象不限制性別，人類判斷的準(zhǔn)確率達(dá)81.3%，在限制性別的情況下，準(zhǔn)確率僅為57.1%，性別因素對(duì)AI的影響卻非常小，準(zhǔn)確率依然如上述結(jié)果，高于人類。

據(jù)阿里安全圖靈實(shí)驗(yàn)室資深算法專家華棠介紹，該技術(shù)后續(xù)將在內(nèi)容安全和賬戶安全領(lǐng)域探索應(yīng)用，對(duì)抗偽造類視頻攻擊，保護(hù)用戶財(cái)產(chǎn)和信息安全。“有些人利用偽造視頻試圖騙過認(rèn)證系統(tǒng)，AI的這項(xiàng)技能將進(jìn)一步驗(yàn)證聲音與相應(yīng)真人是否匹配，防范欺詐，守護(hù)安全。”華棠說，這也是讓AI在提升安全水位上有更多用武之地。