《Franklin Open》：Semi-Automatic Approach Utilizing Siamese Neural Network for Forensic Voice Comparison
编辑推荐：
本研究针对法证语音比对(FVC)中人工主观性强、背景噪声干扰和说话人变异性大等挑战，提出了一种结合平稳噪声降噪和孪生神经网络(SNN)的半自动框架。该研究利用3,899个澳大利亚英语语音样本，通过SNN学习共享嵌入空间，以欧氏距离度量说话人相似性，实现了96.02%的准确率、94.00%的精确率和92.10%的召回率。相较于CNN、BiLSTM和GMM-UBM等基线模型，该框架在5折交叉验证中表现出显著优势，为法证语音学提供了轻量可解释的深度学习方法，提升了实际场景下的比对可靠性。
在数字法证科学中，声音作为重要的生物特征证据，常被用于刑事案件中的嫌疑人身份确认。然而，传统的法证语音比对(Forensic Voice Comparison, FVC)长期依赖专家听觉判断和手工特征提取，不仅效率低下，还容易受到背景噪声、录音设备差异和说话人状态波动的影响。随着人工智能技术的发展，尤其是深度学习在语音处理领域的广泛应用，研究者开始探索自动化或半自动化的FVC方法，以期提高比对的客观性和可重复性。然而，现有方法在面对真实场景中的复杂噪声和说话人变异时，仍存在鲁棒性不足、模型可解释性差等问题。
为解决上述挑战，一项发表于《Franklin Open》的研究提出了一种基于孪生神经网络（Siamese Neural Network, SNN）的半自动法证语音比对框架。该研究通过引入平稳噪声降噪技术和度量学习策略，显著提升了语音比对的准确性和可靠性。研究人员采用来自澳大利亚新南威尔士大学的3,899个澳大利亚英语语音样本（FLAC格式），以70:30的比例划分训练集和测试集，构建了一个针对法证场景的基准数据集。
在方法上，该研究首先使用平稳噪声降噪算法对原始语音进行预处理，有效抑制背景噪声；随后，通过SNN架构中的两个权值共享子网络分别提取语音特征嵌入（Embedding），并利用欧氏距离（Euclidean Distance）计算样本对之间的相似性；最后，通过对比损失函数（Contrastive Loss）优化模型，使其能够将相同说话人的语音嵌入拉近，不同说话人的嵌入推远。此外，研究还引入了5折交叉验证和统计显著性检验，确保结果的可靠性。
在“混淆矩阵与性能分析”部分，研究通过混淆矩阵和多项指标评估模型性能。结果表明，SNN框架在测试集上达到96.02%的准确率，精确率、召回率和F1分数分别为94.00%、92.10%和91.01%，显著优于CNN（91.3%）、BiLSTM（89.7%）和传统GMM-UBM（84.2%）等基线模型。通过可视化热图和指标对比，研究进一步证明了SNN在区分相似/不相似语音对方面的优势。
在“接收者操作特征与曲线下面积分析”中，研究通过ROC曲线和AUC值（96.02%）验证了模型在不同阈值下的分类稳定性。曲线显示，SNN在不同操作点均能保持较高的真阳性率（TPR）和较低假阳性率（FPR），说明其具有较强的区分能力和鲁棒性。
在“与现有工作的比较”中，研究将所提框架与WaveNet、Transformer等主流方法进行对比。结果显示，SNN在澳大利亚英语数据集上的识别准确率（96.02%）远超其他方法（如WaveNet的37.9%、Siamese Networks在双语配音任务中的62%），凸显了其在法证语音相似性任务中的优越性。此外，消融实验表明，若去除噪声降噪预处理，模型准确率将下降至90.14%，印证了预处理对法证任务的重要性。
综上所述，该研究通过引入SNN和噪声鲁棒性处理技术，成功构建了一个高效、可解释的半自动法证语音比对系统。其创新点在于将度量学习与法证语音分析相结合，不仅提升了比对精度，还为复杂场景下的语音证据处理提供了新思路。未来，该框架可进一步拓展至跨语言比对、似然比评估等多模态法证应用中，为司法实践提供更可靠的技术支持。
