Российские технологии голосовой биометрии продемонстрировали выдающиеся результаты в международном конкурсе NIST

Дмитрий Дырмовский, генеральный директор группы компаний ЦРТ:

«Качественное распознавание человека по голосу позволяет совершенствовать бизнес и государственные сервисы, упрощая нашу жизнь. Высококлассные речевые технологии помогают создавать лучших диалоговых ассистентов — оптимизируют работу контактных центров, офисов продаж и обслуживания. Речевая аналитика помогает делать выводы об удовлетворенности клиента и качестве диалога, а значит — непрерывно совершенствовать пользовательский опыт. И шире — идентификация людей по голосу востребована в биометрических системах национального масштаба.

NIST SRE 21 — пятый конкурс 2021 года, где технологии ЦРТ получают высокий балл от компетентного международного жюри. Признание ЦРТ в международных конкурсах — не только личная победа, но знаковое событие для всей индустрии. Мы рады выводить решение задач в области голосовой биометрии, над которыми работают сильнейшие команды со всего мира, на новый уровень, достойно представляя свои ключевые компетенции на глобальном рынке».

Технология группы компаний ЦРТ показала выдающийся результат в конкурсе NIST SRE21 (Speaker Recognition Evaluation). В конкурсе решалось несколько задач:

• распознавание говорящего по аудио разных источников: телефонных звонков (conversational telephone speech, CTS), звука из видео (audio from video, AfV). Для решения использовался алгоритм распознавания человека по голосу;
• распознавание говорящего по аудио и видео из разных источников: телефонных звонков (CTS), звука из видео (AfV) и просто видео. Для решения использовалась комбинация алгоритмов распознавания человека по голосу и по лицу.

Особенность конкурса в этом году — два варианта обучения алгоритмов: вариант Fixed допускал использование только звуковых данных от организаторов. Вариант Open допускал использование любых данных. Сложность заключалась в том, что данные записывались как через телефон (обычные телефонные разговоры), так и в микрофонном канале (записи с видеокамер), а люди на записях разговаривали на различных языках: английском, китайском, арабском и других.

Научная команда ЦРТ для решения задачи распознавания человека одна из первых успешно применила комбинацию архитектур нейронных сетей типа transformer, которая популярна в задачах компьютерного зрения, понимания естественного языка, и wav2vec, которая применяется в задачах распознавания речи. Такой подход позволил достичь низкого уровня ошибки верификации человека по голосу.

Также команда группы ЦРТ принимает участие в еще одном конкурсе — NIST CTS Speaker Recognition Challenge — это конкурс в формате ongoing: соревнования длятся нон-стоп, периодически подводятся промежуточные результаты. В этом соревновании команда группы ЦРТ также демонстрирует высокие результаты. Основная задача CTS Challenge — распознать говорящего по записям в телефонном канале, при этом человек может говорить на разных языках — английском, французском, арабском, и с разных моделей смартфонов. В соревновании принимают участие 33 команды из ведущих университетов и коммерческих компаний.

Среди участников соревнований — сильнейшие научные команды ведущих университетов мира, команды коммерческих компаний — исследователи из Китая, США, Японии, Италии, Франции, Испании, Израиля, Сингапура, Чехии.