Czym wyróżniają się skuteczne systemy biometrii głosowej? O przewadze jednych systemów nad innymi decydują cztery poniższe wskaźniki:
1. Wskaźnik dokładności, oznacza on, że skuteczność systemów biometrycznych powinna oscylować w zakresie 95–99%.
2. FAR (False Acceptance Rate), wskaźnik określający jak często system błędnie akceptuje osobę nieuprawnioną (np. kogoś, kto podszywa się pod użytkownika) jako prawidłowego użytkownika. W najdokładniejszych systemach wskaźnik ten wynosi mniej niż 1%. Im jest niższy tym system jest bezpieczniejszy i trudno się pod niego podszyć.
3. FRR (False Rejection Rate), wskaźnik pokazuje fałszywe odrzucenia, czyli to, ile razy system odrzuca prawdziwego użytkownika, choć powinien go zaakceptować. Tutaj idealne wartości mieszczą się poniżej 3%.
4. EER (Equal Error Rate). Punkt, w którym FAR jest równe FRR, wskaźnik ten jest często stosowany do porównywania jakości systemów biometrycznych.
Do najbardziej skutecznych systemów zalicza się powszechnie systemy Phonexia oraz ID R&D, ze względu na ich wybitne wyniki w testach porównawczych.
My w swoich pracach badawczych korzystamy głównie z silników Phonexia, ale też używamy innych takich jak Kaldi (X-vector) czy ECAPA. Chodzi o jak najszersze testowanie algorytmów w różnorodnym środowisku. Bezpieczeństwo jest tutaj nadrzędnym priorytetem.
Tag: #system biometryczny
W analizach biometrycznych już samo nagranie a dokładnie mówiąc jego jakość decyduje o skuteczności rozpoznania mówcy przez system biometryczny. Warto, więc przypomnieć od czego zależy jakość takiego nagrania (sygnału audio). A więc na jakość sygnału audio mają wpływ przede wszystkim:
👉 warunki akustyczne – poziom szumów, pogłos oraz SNR (stosunek sygnału do szumów)
👉 jakość mowy – naturalność głosu, jego głośność, spójność artykulacji
👉 urządzenia rejestrujące
👉 czas nagrania
👉 parametry techniczne takie jak częstotliwość czy rozdzielczość.
Śmiało można jednak powiedzieć, że głównym czynnikiem determinującym jakość jest SNR.
SNR (ang. Signal-to-Noise Ratio) oznacza stosunek sygnału do szumu – czyli jest to miara jakości sygnału w stosunku do poziomu zakłóceń. Wysoki wskaźnik oznacza czysty dźwięk, bez zakłóceń tła, co przekłada się na wysoką skuteczność identyfikacji mowy przez algorytmy i dokładniejsze analizy.
Bardzo ważnym czynnikiem jest również czas nagrania. Systemy biometryczne potrzebują minimalnej długości próbki głosu, aby wyodrębnić cechy charakterystyczne. Za krótkie nagranie ( 1–2 sekundowe) może nie wystarczyć do wiarygodnej identyfikacji. Długie nagranie z kolei nie zwiększa jakości wprost – ale umożliwia lepsze wyodrębnienie fragmentów czystych i powtarzalnych, co poprawia skuteczność.
A zatem optymalna długość nagrania waha się od kilku do kilkunastu sekund wypowiedzi.
Z kolei jakość mowy to nie tylko czystość nagrania, ale także naturalność, kontrola głośności i konsekwentna artykulacja. Te elementy wpływają na wiarygodność próbek głosu i skuteczność algorytmów rozpoznawania. Pamiętajmy, że skrajne wartości (zbyt cicho / zbyt głośno) mogą utrudniać analizę.