录音设备（移动终端）：iPhone4、iPhone5、iPhone8、华为P30、华为Mate9、三星S8、三星A9s、OPPO Reno3 Pro、华为Mate 30 Pro、vivo S6。上述手机各2部均为全网通, 用于录制实验用通话录音。其中iPhone4、iPhone5仅支持2G/3G网络, OPPO Reno3 Pro、华为Mate 30 Pro、vivo S6支持5G网络并向下兼容。

实验中通过SIM卡替换与更换终端设置达到对第二代至第五代通信网络的覆盖。其中, 2G网络包括GSM与CDMA, 3G网络包括WCDMA、TD-SCDMA与CDMA2000, 4G网络包括LTE-FDD与TD-LTE, 5G网络选用IMT-2020。

软件平台：法庭语音分析系统OT-Expert、语音自动比对系统LVIS、音频编辑用软件Adobe Audition。

硬件设备：研华科技610H工控机, 用于搭载上述软件平台。

根据汉语声韵母结构, 选择声母诗《采桑谣》、韵母诗《捕鱼歌》^[10]作为实验样本的录音文本。该文本包含了所有汉语声韵母音素结构, 共62个音节, 正常语速下朗读时长约为30 s。

设定实验中的录音采集变量为手机品牌型号与移动通信制式。实验人员通过更换支持不同网络制式的SIM卡、手机设置中关闭或打开支持各通话技术开关等开展不同的测试项目。2部相同型号手机在通话过程中, 分别采集本地端通话录音（下称“ 样本” ）与通信端通话录音（下称“ 检材” ）, 构成验证数据集。通过Adobe Audition软件对语音样本进行剪辑、消除静音段。录音格式统一为WAV格式, 采样率为44.1 kHz, 采样位数为16 bit, 时长为30 s。

为排除说话人因年龄、地域等造成的不同发音方式的干扰, 实验统一选择19 ~ 22岁年龄段的江苏籍常住男性、女性说话人各15名。录制采用随机搭配方式, 使用正常语速的普通话通话并录音, 生成以移动终端与所支持的移动通信标准为变量的测试项48项。每测试项目通话录制5次, 最终可得到240份录音样本与240份录音检材。

1）邀请具有声纹鉴定经验的专家, 对所有录音检材进行听辨特征分析并评估质量。

2）利用法庭语音分析系统OT-Expert对通话录音进行声学分析, 包括共振峰个数及频率、基频参数、区域平均频谱等。通过宽带语谱图观察共振峰个数与走势, 测定指定时间段的共振峰频率均值与偏差; 使用区域平均频谱图可拟合区域平均频谱曲线并计算离散采样点偏离量; 使用LPC频谱图可观察计算基频平均值、中值、极值、偏差、相对范围等声学参数。

3）将采集的通话参考样本并入前期构建的江苏警官学院数字语音样本库（约1 600例）。将传输后的通话录音检材依次导入LVIS语音自动比对系统模型进行逐一比对, 并对得分排序进行统计。

此处需要说明的是, 该评价方法不限于上述软件设备, 具备图谱检验与声纹比对模块的软件平台设备均可开展评价。

根据《法庭科学语音同一认定技术规范》（GA/T 1433-2017）^[13], 同时考虑环境噪声对手机录音检材、样本所产生的影响, 针对录音检材的辨识度、动态特征、声学参数质量与数量等因素, 设定如下评价标准：

1)听辨特征。听辨分析检材的特征, 如检材在伪装、情绪、音高、流畅度、清晰度等语音特征上均与样本保持相近得1分, 如检材在发音缺陷、元音儿化等声学模式上均与样本保持相近得1分。

2）共振峰显著度。观察通话录音检材中, “ 云” “ 竿” “ 面” “ 声” “ 瓮” “ 春” 6个音节的共振峰谱图。上述音节谱图中均存在5条及以上清晰共振峰时得3分; 存在4条清晰共振峰时得1分; 仅保留3条及以下共振峰得0分。

3）声学参数差异率。分别对比通话录音检材与参考样本《捕鱼歌》中, “ 远” “ 夜” “ 网” “ 月” “ 水” “ 活” 共6个音节的共振峰频率与基频声学参数, 声学参数F2、F3与基频均值中任意一项差异率在15%以下扣1分, 本项最高得分为3分。如果声谱图不显示相应共振峰, 则该项不得分。

4）频谱曲线拟合度。手机录音检材与样本的区域平均频谱对比, 通过计算拟合优度的可决系数^[14], 判断各检材与样本间频谱曲线的差异度, 可决系数R²的计算公式如下所示：

$R^2 = 1- \frac{\sum_i (y_i - f_i)^2}{\sum_i (y_i- \bar{y})^2}, R^2 \epsilon [0, 1]$ (1)

其中, y_i 与f_i 分别表示在第i个离散频率采样点下检材与样本的能量值, y表示检材各离散频率采样点的能量均值。这里选择以200 Hz为间隔进行离散采样, 因此在0 ~ 16 kHz区间内, 共可得到80个采样点。当R²取值范围在^{[0.8, 1]}区间时, 对应的录音检材得3分; [0.5, 0.8)区间得1分; [0, 0.5)区间得0分。

5）声纹比对检测。将测试通话样本录入系统语音库, 并利用LVIS语音自动比对系统将输出得分进行排序。使用各测试项目下的手机录音检材分别进行测试, 对应测试中手机录音样本的得分排名为前2%时, 该测试项目的录音检材得3分; 排名为前2% ~ 5%时得1分, 其他情况得0分。

上述测试项目中检材样本语速相近, 有足够数量的发音相同音节可供比对。结合现有案例中成功受理与未受理案例中录音的得分区间, 最终确定综合得分大于10分可认定录音检材质量为优（保留原始语音音质）, 得分5~10分则认定为质量中（基本保留语音的关键信息）, 得分小于5分认定为差（影响鉴定结论）。

听辨分析是语音同一性鉴定的重要组成部分。统计发现, 在不同信道条件下绝大多数检材均能够较好地与样本保持相近的听辨特征。个别2G信道条件下的录音检材在情绪与清晰度方面会与样本出现偏离。例如iPhone4在GSM信道条件下的听辨分析细节, 如表1所示。

表1

Table 1

表1(Table 1)

表1 听辨特征分析（以iPhone4的GSM为例） Table 1 Speech audition (iPhone 4 under GSM) 特点 检材录音 样本录音 伪装 无 无 说话情绪 较低落 正常 音量大小 正常 正常 语速 正常 正常 流畅度 好 好 清晰度 一般 好 发音缺陷 鼻边音不分 鼻边音不分 儿化 无 无 得分 1分

表1 听辨特征分析（以iPhone4的GSM为例） Table 1 Speech audition (iPhone 4 under GSM)

基于傅里叶变换原理, 宽带频谱图将原始录音样本与移动网络条件下通话录音检材的共振峰频率、时序与强度信息进行了显示。图1展示了iPhone8手机（通信端）分别在CDMA2000(3G)、TD-LTE(4G)频段下所得录音检材的宽带语谱图。表2则对上述两种通信技术条件下各录音设备的共振峰个数进行了纵向交叉对比。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 不同信道检材的共振峰谱图比对Fig.1 An exampling comparison of formant spectrums from two channels

表2

Table 2

表2(Table 2)

表2 两种信道下声纹谱图的共振峰个数统计 Table 2 Statistics of voiceprint spectral formant in two channels 录音设备 共振峰数统计 CDMA2000 （5份检材） TD-LTE （5份检材） iPhone4 4 3 3 4 4 - - - - - iPhone5 4 4 4 4 4 - - - - - iPhone8 4 4 4 4 4 4 5 4 5 5 华为P30 - - - - - 5 5 5 5 5 华为Mate9 4 4 4 4 4 5 4 5 5 5 三星A9s - - - - - 5 5 5 5 5 三星S8 - - - - - 5 5 5 5 5 OPPO Reno3 Pro - - - - - 5 5 5 5 5 华为 Mate 30 Pro - - - - - 5 5 5 5 5 vivo S6 - - - - - 4 4 5 5 4

表2 两种信道下声纹谱图的共振峰个数统计 Table 2 Statistics of voiceprint spectral formant in two channels

高频共振峰决定着声音的音质, 特别是在语音同一认定图谱分析检验中, 第三共振峰以上的高频共振峰具有更多的生理学特征, 更能反映说话人的个体差异性。从图1中可看出, CDMA2000条件下手机通话录音声学信号谱图中高频共振峰出现较大程度的损耗, 4 000 Hz以上的第四、第五共振峰显示不清晰。而TD-LTE传输条件下语音信号则完整保留了频带5 500 Hz以下的共振峰, 因此第四、第五共振峰信息保留完整。实验统计发现, 除2G的GSM与CDMA外, 其他信道条件下得到的录音中各音节声纹谱图均能够较好地保留前四条共振峰。与2G网络相比, 3G、4G与5G语音检材的共振峰形态、走势更加明晰。因此总体上, 经3G/4G/5G信道传输得到录音的评价分数也略高于2G信道网络下的录音。同时实验中也验证了不同手机移动终端也影响着声纹谱图中共振峰强度, 但程度有限。

为定量分析移动信道传输的影响度, 对语音信号进行了放大处理使各检材均能检出前四条共振峰, 并对各录音检材的声学参数值进行了比较分析。统计结果发现, 2G至5G技术的提升, 使所得到录音的声学参数差异率总体呈现递减的趋势。其中, 基频与高频共振峰的差异率变化更为显著。表3中展示了华为Mate9手机（本地端）在GSM(2G)、WCDMA(3G)、TD-LTE(4G)、IMT-2020(5G)四个网络测试条件下所得录音的测试结果, 该例中说话人为女性。

表3

Table 3

表3(Table 3)

表3 声学参数差异（以女性说话人为例） Table 3 Comparison of acoustic parameters from various networks (speaker: female) 音节“ 活” 的声学谱图参数 样本/Hz GSM WCDMA TD-LTE IMT-2020 数值/Hz 偏差/% 数值/Hz 偏差/% 数值/Hz 偏差/% 数值/Hz 偏差/% F1 532 456 14.3 465.2 12.6 501.2 5.8 517.8 2.7 F2 1187 1100 7.3 1112.8 6.3 1150 3.1 1170 1.4 F3 2173 1994 8.2 2081.8 4.2 2166 0.3 2133.4 1.8 F4 3192 - - 2934 8.1 3044.2 4.6 3084.2 3.4 基频平均数值 327 238 27.2 294.2 10.0 319.2 2.4 324 0.9

表3 声学参数差异（以女性说话人为例） Table 3 Comparison of acoustic parameters from various networks (speaker: female)

由表3的实验结果可看出, 在不同传输信道条件下语音信号的声学参数均发生了一定程度的变异。其中, GSM检材的偏差较大, 基频均值偏差达到27.2%。同时IMT-2020检材的偏差最小, 高频共振峰F4偏差仅为3.4%。检材样本间产生差异是由于语音信号在信源编解码过程中, 采取了过滤、预测、域变换和数据压缩等操作所导致的。4G、5G下录音的声学参数差异率较小, 评价得分略高于2G/3G制式网络。这是由于随着移动信道传输技术的不断进步, 特别是从3G过渡到4G后, 移动传输信道中的分集技术和均衡技术相关算法的提升, 极大解决了信号衰弱问题, 进而带来通话语音质量优化。

区域平均频谱常被用于分析“ 不同采样率文件的复制拼接” 和“ 转采样率” 的篡改操作。本节通过分析语音非静默区频谱尺度上的能量分布, 采集实验数据集中各检材样本区域平均频谱曲线。通过观察原始语音样本与不同检材在同一频率区域的语音能量分布, 判断移动信道所产生的能量衰减程度。本节选择iPhone4的GSM、WCDMA与vivo S6的TD-LTE、IMT-2020进行展示, 如图2所示。从图2中可以看出, GSM（黄）的上截止频率在3.4 kHz附近, 这是因为2G中GSM数字电话信道带宽上限为3.4 kHz。而3G之后的通信技术已经实现语音通话与数据信息共享带宽, 因此通话录音已不单独受限于电话信道带宽。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 平均频谱曲线Fig.2 Average spectrum curves under various networks

同时, 采用代表回归曲线拟合程度的可决系数R², 对通话语音的整体频率分布与样本的差异度进行量化统计。分析后发现, 通信信道对频谱曲线的可决系数得分区间产生的影响高于录音设备。基于全部48项测试, 每项测试5份检材, 共计算得到240份R²值, 按照不同移动通信技术对得分区间分布进行了统计, 如表4所示。其中, 2G、3G、4G、5G移动信道条件下的R²评价均值依次提高。结合表4与图2可以看出, 高频区域信息损耗是导致可决系数评价得分降低的主要因素, 进而产生不同信道条件下的得分区间分布。

表4

Table 4

表4(Table 4)

表4 可决系数得分区间分布 Table 4 Statistical R2 of score-enabling interval 信道 可决系数 合计 [0, 0.5) [0.5, 0.8) [0.8, 1] 2G 40 0 0 40 3G 0 62 43 105 4G 0 16 64 80 5G 0 1 14 15

表4 可决系数得分区间分布 Table 4 Statistical R2 of score-enabling interval

从曲线拟合程度上分析, TD-LTE、IMT-2020信道检材的平均频谱曲线的拟合度较高, 各离散采样点基本围绕原始样本曲线上下小幅度波动。而WCDMA则在大于3.4 kHz的高频部分拟合度不强。根据公式(1)可计算得到上述各通话录音曲线与样本参考曲线之间的R²。其中2G检材的可决系数小于0.5, 拟合程度明显低于其他移动信道。根据不同的信源编解码模式, 为压缩语音信号的传输带宽, 增加信道的传输速率, 信号数字化过程中所采用的采样率会略有不同, 但目前主流手机制造商在麦克风的数字信号处理（digital signal process）芯片设计上, 默认支持到32 kHz的采样频率, 因此WCDMA、TD-LTE、IMT-2020语音信号检材的平均频谱曲线均在16 kHz上存在截断。

随着各地声纹数据库建设的开展, 公安机关利用声纹识别技术进行1:N的声纹比对, 并以案件串并为目标服务侦查破案。

语音自动识别系统LVIS主要基于传统贝叶斯概率框架, 通过提取梅尔倒谱系数MFCC或线性预测系数LPCC, 对输入检材与涉案语音库中样本进行比对后给出相似得分排名。LVIS所提取的语音信号特征对噪声特性与信道损耗的鲁棒性较弱, 导致录音中说话人情绪、传输信号损耗、信噪比都会对识别精度产生影响。基于此特点, 设计使用LVIS对同一测试项目下的原始语音样本与经过不同传输信道的检材进行匹配识别, 根据得分排名变化判定语音质量的优劣。

实验将各测试项目的语音样本加入1 000人规模涉案语音库, 并观察各测试项目的语音检材的比对排名。检材比对结果排名前20时（2%）可认定为比对成功。相比较2G/3G移动信道录音检材, 4G/5G录音检材在该声纹比对系统中能取得较高的得分, 比对成功的测试项目数更多。从原理上分析, 语音信号中的高频成分存在较多说话人个性信息, 因此部分高频信息的损耗必然会导致系统比对精度的降低。

通过上述系列实验结果, 依据本文提出的通话录音评价标准对48项测试分别进行综合评估, 测试项目得到的质量评价结论如表5所示。各测试项目的最终评价得分为5份检材的得分平均值。其中, 4G/5G移动信道下19项测试中, 15项质量评估为优, 其余为中。2G/3G移动信道下29项测试中, 仅有两项质量评估为差, 其余为中。从质量评价统计上可以看出, 通话录音质量评价得分与移动传输信道技术整体呈正相关。从该评价得分还可以看出, 通话录音质量对移动传输信道的选择较为敏感, 而对通信设备的依赖程度较低。

表5

Table 5

表5(Table 5)

表5 通话录音质量评价均值统计 Table 5 Statistics of mean score about recording quality evaluation 设备 平均分值（等级） 2G 3G 4G 5G GSM CDMA WCDMA TD-SCDMA CDMA2000 LTE-FDD TD-LTE IMT-2020 iPhone4 4.8(差) 5.0(中) 5.2(中) 5.8(中) 5.2(中) - - - iPhone5 5.0(中) 5.2(中) 5.4(中) 6.2(中) 5.6(中) - - - iPhone8 5.0(中) 5.2(中) 5.2(中) 7.6(中) 5.2(中) 11.4(优) 12.6(优) - 华为P30 - - 8.0(中) 7.6(中) 6.8(中) 10.6(优) 11.6(优) - 华为Mate9 4.6(差) 5.0(中) 5.2(中) 5.2(中) 5.8(中) 9.8(中) 10.2(优) - 三星A9s - - 5.6(中) 6.6(中) 6.8(中) 12.6(优) 11.8(优) - 三星S8 - - 9.8(中) 9.0(中) 9.0(中) 12.6(优) 12.0(优) - OPPO Reno3 Pro - - - - - 9.8(中) 13.0(优) 13.0(优) 华为Mate 30 Pro - - - - - 10.0(中) 11.8(优) 13.0(优) vivo S6 - - - - - 9.6(中) 13.0(优) 12.2(优)

表5 通话录音质量评价均值统计 Table 5 Statistics of mean score about recording quality evaluation

总体上, 在以GSM/CDMA为代表的2G技术条件下, 原始语音经过信道传输后可能会导致部分共振峰的缺失、重叠与偏离, 需要通过放大等预处理手段提升高频部分的显著度。虽然这些影响不会造成声纹质量的本质性改变, 但给声纹鉴定带来了一定的难度与挑战。随着4G技术VoLTE^[15]、5G技术VoNR^[16]网络技术方案不再采用电路域回落技术, 录音检材质量得到进一步提升, 通话录音已完全满足声纹谱图鉴定与语音入库标准要求。虽然通话录音质量与移动通信技术进步存在直接联系, 但同时本次质量评价也反映出各电信运营商所采用的不同技术标准仍略有差异。关于手机移动通信设备, 部分手机在参数设置相同的情况下, 内嵌模块中存在硬件降噪模块, 可在一定程度上提升通话录音质量。