得意音通郑方：对声纹认证的三类攻击可以防范

（原标题：得意音通郑方：对声纹认证的三类攻击可以防范）

中国电子银行网讯 2016年12月8日，由中国金融认证中心(CFCA)举办的2016“科技+金融，启创银行未来”高峰论坛暨第十二届中国电子银行年会在北京举行。近四百位商业银行电子银行的负责人莅临此次年会，就区块链、金融大数据、银行机器人、移动金融、直销银行新业态等热点进行深入探讨与交流。《2016中国电子银行调查报告》和中国电子银行金榜奖同步对外公布。

郑方 北京得意音通技术有限责任公司董事长（图左）

北京得意音通技术有限责任公司董事长、清华大学语音和语言技术中心主任郑方，于论坛就声纹识别领域有关问题，接受了中国电子银行网记者的专访，以下为详细访谈内容：

记者：郑老师您好，非常感谢您能够莅临本次电子银行年会，并奉献了一场精彩的演讲。声纹技术如今在您的带领下已经发展得非常成熟了，我有几个问题想请教您，首先在银行领域，声纹技术如何与应用场景相融合，将带来怎样的智能体验？

郑方：声纹识别用在银行领域，其实主要是用于远程身份认证。因为现在从信息安全角度讲，像数据安全（如存储、传输）、网络安全（如防火墙）等等安全技术，都已经比较成熟了，一些保障也做得比较好。但是在移动金融领域，对身份认证就有点束手无策了，目前流行的短信验证码又比较依赖于你所用的手机，手机一旦丢失，别人也可以用短信验证码找回各种信息，所以它就不是解决问题的最好方法。声纹刚好可以在远程场合下，通过声音来验证身份，解决身份认证问题，相对比较方便。

我们现在提出了一个方案，把短信验证码和声纹结合起来。结合以后，在严重时它既把验证码验证了，也把你的声纹验证了，达到双重的安全保障目的。声纹识别作为人工智能技术的一种，在移动金融领域的远程身份认证场合就能够用得比较好。

记者：声纹技术可以帮助银行提升哪些风险防控能力？

郑方：刚才讲的问题，跟这个问题是比较类似的，它也就是在风险防控方面的。在风险防控方面，我不是专攻这个领域的，我不敢讲；但我作为一个用户，我的体会是，进行账户操作，可以对某些账户进行存取或者不能对有些账户进行存取，这就需要合法性验证。

第二，用户的资金数据存取或者资金转账，这两种里边都涉及到。一是可能设置有不同的权限，权限级别高的人可以把所有的金融数据都看到，但是低的就看不了那么多。如果能把身份认证好，在这方面可以有很好的把控。我们原先也跟中国移动做过类似的项目，他们就是在权限的限定方面，通过声纹的身份认证来实现。另一个问题是资金的取款、汇款、转账、支付等等，我认为关键也是跟身份验证相关。身份如果能够验证清楚，即使别人窃取了你的密码，窃取了你的账户信息，它可以都不太可能起很大作用。所以我认为，风险防控还是跟身份认证是相关的。

记者：利用声纹技术进行用户身份认证，具备怎样的安全性？指纹、人脸、虹膜等生物识别技术快速发展背景下，声纹技术有哪些核心竞争力？

郑方：你这个问题非常好，很多人问过我类似的问题。指纹也好，人脸也好，这个大家都知道，很多场合已经应用了。人们为什么对它比较熟悉，比较了解，而且也比较认可呢，关键就是它是有形的，能看得见、摸得着。声音是看不见的，摸不着的，所以声纹给用户使用的时候，用户接受起来就存在一些障碍。但是我觉得声音在远程身份认证时是最好的生物特征，尤其在防假冒攻击方面，当然现在有好多单位在做这方面的研究，如人脸、指纹等，再加一维，维度增加以后，变成三维的识别，可以做到很好的活体检测来防止假体攻击，对这个方面的尝试和取得的效果我都是认可的。

但是我们真正给用户用的话，最终是要看用户的接受程度的。用户接受程度的因素有很多：第一，它会不会觉得这个安全，这是感觉问题；第二，你这个产品的成本会怎么样。比方说声音，在建行手机银行用的时候，它能够很快地呈指数级增长，这是因为，手机随处可见，手机App一安装，声纹识别的开关一打开，就可以用了，不需要加额外的硬件，也不需要占用额外的带宽；其他技术可能会做得很好，但或许要增加额外的硬件，特殊的硬件，但像建行这样有两亿的电子银行用户的情形，你都分发一遍这些额外硬件，让用户换手机或者升级换代，它就很难，做不到。用户也会问这个钱是银行付还是用户付，如果银行付，这个可以，但是银行分发需要时间，如要让用户付，对不起，用户不一定愿意付。

还有，这些特征都是静态的生理特征，静态的最大特点就是不变，相对来讲不变。现在的人工智能技术发展很快，你只要不变，我就能够想出办法模拟出来，或者说，你也可以变，比如像人脸，可以要求用户眨眨眼睛、张张嘴巴、摇摇头，但是变化的种类太少，机器就可以模仿。语音就不是这样了，全球那么多种语言，举例说即使只考虑汉语，汉字就超过五千多，可以组合成不同的句子，变化就多了；这么多的组合，要都把它们录下来去模仿，实在太难，这个特点在防攻击方面就有天然的优势。其他生物特征我不否认它们是很好的特征，但是声音与它们相比可能就更好甚至是最好的。前面一段时间我只是进行理论分析，后来在跟建行、银联、国家信息中心等合作时，看着用户量飞速增长，我认为时间验证前面这个分析还是对的。

记者：如何看待高真语音模拟对声纹技术应用的影响？

郑方：现在对声纹认证的攻击，大概分成几类，第一类是模仿，第二类是语音合成或者语音转换，第三类是录音重放。这三类都是比较常见的。

先说模仿，实际我们人的感觉是（模仿）真像，比如赵本山模仿谁，人一听怎么那么像，在比如前一段时间有个有名的藏族小伙子叫洛桑尼瓦，他模仿别人的声音也都模仿得很像。但是我把它叫做“听觉欺骗”，人听东西其实很容易被欺骗的，就跟视觉欺骗类似，比如一组平行的直线，你如果弄一些等间距的折线与它们交叉，你会发现这些线貌似不平行，但实际上是平行的，这就是视觉欺骗。听觉也会被欺骗，容易被声调、语调等欺骗。

我们如果用机器去判断，会发现这些模仿（与原声）差别太大了，赵本山也好，洛桑尼瓦也好，（与真人的声音）其实差别很大，它们只是语调、抑扬顿挫的习惯相似。有一个数据可以说明问题。2004年山西省公安部门邀请我去参加公安部《双胞胎语音的声纹鉴定研究》课题验收鉴定会，他们找了23对双胞胎，而且是同卵双胞胎的语音数据，专家去听，大概分辨准确率是85%，我当时要了数据，拿来到机器上试试，结果发现100%全区分开了。人去听模仿声音，一般听的是调，语调是否像，韵律是否像，很容易欺骗。

第二是合成的问题。现在一些语音合成技术包括语音转换技术已经比较不错了。听了奥巴马的一些语音数据，学一些模型参数，就可以对一些新的文本合成或转换出语音，的确听着比较像。现在对其他一些生物特征还是可以通过模仿进行攻击的，但是对语音至少在近一二十年内还做不到，为什么？因为声音里边含的信息太多了，上午我讲了的就有六七种，其实还有更多的信息。这么多信息，你可能模仿出中间的一两种，但不可都能都模仿出来。而我们对语音的这个检测是综合的，你所有信息中只要找到一点有合成的痕迹，马上就能知道你这语音是合成的，所以模型语音进行攻击是非常难的。就目前的实验结果来看，第二种攻击还是做不到的，系统可以轻易阻止第二种假冒攻击。

第三就是录音重放。录音重放是最难检测的，因为说句老实话它原本就是你真实的声音。但是，如果用我们的方案，即声密保方案，每次让你说的都是变化的，那你就没法弄了。当然，一旦你做了录音了，然后进行拼接，再重放，系统检测是有一点难度的。好在我们有一个专利技术，只要你录音-拼接-重放进入系统，它对语音信号就会有破坏和影响，我们就能够检测到。这是专利技术，我们也是做了好几年的研究和开发才把它成功做出来。最近某个银行做了一个测试，找了几家厂商来做录音检测，我们是100%都检测到录音了，其他厂商都做不到。

这样看的话你看，最难的（问题），我们都已经把它解决了，容易的那就更不在话下了。当然这个话也不能绝对，因为现在人工智能发展很快，也许过一二十年，声音合成或转换的技术更好了，但是那时候我们也有更好的检测方案了。

记者：谈谈您对科技+金融的看法，并憧憬未来银行。

郑方：我只谈谈其中的金融安全，金融安全是老百姓最关心的问题。钱放在你银行里边，我是对你信任，结果最后你把钱给弄没了，还说你不负责，这样的事情老百姓肯定是不接受的。这里声纹可以更好地从几个不同层面来解决用户的一些疑虑：

第一，他的心理感觉。我和很多人聊过，包括银行业、科技界的人士，还有普通用户朋友，我就说你们为什么不用手机银行，这不是很方便吗？他说你要弄个几块钱，我丢就丢吧，就像现在一些常用的支付手段，很方便，这可以用；但是数额大了，上万，上十万，甚至上百万，我就不愿意用了，因为我不敢用。我说如果安全，你敢用吗？他们说安全了，我绝对敢用，我更愿意用，因为手机太方便了，随时都在身边，你让我到柜台去，多费时间啊。声纹识别给你解决了这个（安全）问题，你觉得它安全，这是感觉。实际上这个感觉有时挺关键的，人用不用，有时候就在于这个感觉。

第二，从实际上来讲，它也真的能够解决安全问题，把身份认证做到非常高的精度。并且不像其他生理特征一旦丢了，你就会很害怕，因为别人可以在其他场合使用这些特征；对声音，它自身不容易被别人模仿，不容易被别人偷窃，所以自身的安全问题它也能做到很好。

记者：为什么说声纹识别是远程身份认证最好的解决方案？为什么你认为电子银行的声纹时代已经来临？

郑方：电子银行的声纹时代，刚开始要做报告的时候也有人说是不是不能叫声纹时代。在这里我很认真地讲一下，首先声纹时代肯定来了。这个很多专家都有共识，国际上一些科学家，产业界的一些都觉得声纹科技都开始用了，用在出入境控制，用在犯罪分子追踪，用在金融安全等。我今天加了一个定语说成“电子银行的声纹时代”，想一想这个用词还是比较严谨的，更是可以说的了。

现在我从理论上分析一下这个事情。2008年是我主导制订了中国第一个声纹识别的标准，做的时候更是很多人不相信声纹可以实用。后来我分析声音有它的特点，有它的好处，所以我觉得肯定能用。但是真正最后被实践验证是等到什么时候呢？是2014年左右，就是4G牌照发放之后，根据工信部的统计智能手机的用户数超过6亿了，基本上可以说有行为能力的人都有智能手机。这两个因素一结合，所有跟它们相关的应用都出来了，用App，用无线，加上手机你随身携带，用它进行支付，82%的用户都习惯使用，所以手机银行的时代肯定会来临。当时有的银行还用的音频盾，不知道你是否了解，就是可以插手机音频口的客户证书Key，但是所有的外接设备都有忘记携带或容易丢失的问题，肯定不方便， 而且iPhone7一出来，音频口没了，音频盾就没有用武之地了。但是如果用声纹（就没有这个问题），手机的麦克风永远不可能去掉，就可以一直使用。实践也证明，手机银行的声纹识别一推出，用户数就呈指数级增长，这个增长速度，让我很兴奋。所以，我就说在电子银行领域，声纹时代的确已经来临。

谢谢！

记者：非常感谢郑董。