The Voiceprint Fallacy: Why Voices Are Not Unique Biometric Imprints

想象一下，你正试图在嘈杂拥挤的房间里寻找一位朋友。你看不见他们的脸，但你听到了他们呼唤你的名字。你的大脑瞬间就认出了那个声音，对吗？这感觉就像一把神奇的钥匙，一个由声音构成的、只属于他们的独特指纹。长期以来，科学家和警察一直认为声音就是这样运作的：每个人都有一个隐藏在喉咙里的、永久且不可改变的“声纹”，就像手指上的纹路一样。这个想法看起来如此合乎逻辑，以至于被写入了法律并用于法庭上抓捕罪犯。但转折点在于：声音并不是静态的印章或固定的印记。它们更像是一条活生生的、呼吸着的河流，其形状会随着天气、地形和水流的情绪而改变。如果你把一条河流当作一座冰冻的雕像来对待，你就会对流经其中的东西产生错误的理解。这就是旧有的“声纹”理论存在的问题，也是一篇想要拨乱反正的新论文所讲述的核心故事。

这篇题为《声纹谬误》（The Voiceprint Fallacy）的论文指出，“声纹”的概念是一个科学神话。它解释说，虽然你的声音确实携带了一些关于你是谁的线索，但它并不是一个独特的、不可改变的标记。相反，你的声音是你的身体、情绪、健康状况、你正在说的话，甚至是你所使用的麦克风共同构成的一个混乱且复杂的混合体。作者们是一群语言学家和计算机科学家，他们指出，将声音视为指纹是危险的，因为这忽略了声音发生变化的所有方式。他们建议我们不要再寻找完美的“匹配”，而是开始使用一种更聪明、更诚实的方式来比较声音，这种方式能够承认不确定性，并考虑到导致两种声音听起来相似的所有不同原因。

伟大的声纹骗局

那么，为什么大家都相信声纹呢？这一切始于一项被称为“语谱图”（spectrograph）的酷炫技术。想象一下一台能将声波转化为彩色图像的机器，它有点像音乐谱表，但是针对整个声音的。在20世纪60年代，一位名叫劳伦斯·克尔斯塔（Lawrence Kersta）的人观察了这些图像，并说道：“嘿，这些看起来就像指纹！如果我们能通过手指纹路识别身份，我们也就能通过这些声音图像做到这一点。”他声称他的方法准确率高达99.65%。法院开始允许这种“声纹”证据进入法庭，认为它像黄金一样可靠。

但论文指出，这是一个巨大的错误。作者解释说，“声纹”概念是一个谬误——一种思维陷阱。它将一个复杂且多变的事物（你的声音）伪装成一个简单且固定的事物（印章）。论文认为，这种隐喻不仅是错误的，而且是危险的。当你把声音当作指纹对待时，你就忽略了你的声音每次说话时都会发生变化这一事实。

你的声音是变色龙，而非印章

不要把你的声音看作钢琴上的单个音符，而要把它看作一只变色龙。变色龙会根据周围的环境、情绪和食物的变化来改变颜色。你的声音也完全一样。论文拆解了导致你的声音永远不会是两次完全相同的所有原因：

• 情绪波动： 如果你愤怒、悲伤或兴奋，你的声音听起来会完全不同。如果你疲惫或生病，声音会再次改变。甚至仅仅是脱水，也会让你的声音听起来更加沙哑。
• 剧本/语境： 你如何表达很重要。如果你是在读稿子、对着婴儿说话，或者在嘈杂的风扇声中大喊，你的声音就会切换模式。为了让人听懂，你可能会说话变慢、变大声，或者改变音调。
• 衰老过程： 与终身不变的指纹不同，你的声音会随着你成长、变老或经历激素变化而改变。你在20岁时录制的音频，听起来不会和你60岁时的声音完全一样。
• 面具/伪装： 人们甚至可以故意改变声音！你可以耳语、模仿口音，或者试图听起来像别人。论文指出，虽然你无法改变一切，但你可以改变到足以欺骗人类和计算机的程度。

由于所有这些变化，同一个人在两次不同的录音中听起来可能非常不同。而可怕之处在于：两个不同的人有时听起来也会惊人地相似，尤其是在他们处于不同的录制条件下或说出不同的词句时。

计算机的“声纹”也并非魔法

你可能会想：“好吧，但计算机很聪明。它们一定找到了真正的声纹。”论文回应道：“别急。”现代计算机使用复杂的数学运算将声音转化为数字代码（称为“嵌入向量/embeddings”）。诚然，这些计算机擅长区分不同的声音，但它们并不是在寻找一张神奇且不可改变的身份证。

论文解释说，这些计算机代码实际上是多种因素的混合体：说话者是谁、他们在说什么、背景噪音，甚至是所使用的麦克风类型。如果你用廉价手机和专业录音室麦克风录制同一个人，计算机可能会认为这是不同的人。计算机看到的不是“声纹”，它看到的是特定时刻的一个快照。作者警告说，仅仅因为计算机给出了一个表示“匹配”的高分，并不意味着它是一个完美的、不可改变的真理。它只是意味着在那些特定的条件下，两段录音看起来很相似。

深伪技术的危险

论文还讨论了一个新的、可怕的问题：深伪技术（Deepfakes）。这是指人工智能（AI）创造出听起来与真人完全一致的虚假音频。作者举例说明了犯罪分子如何利用AI伪造老板的声音来诱骗他人转账数百万美元。

关键在于：论文指出，即使一个深伪音频听起来100%像你的朋友，也不代表你的朋友说了这段话。旧有的“声纹”观念假设，如果听起来像你，那就一定是你。但在深伪技术面前，这条规则被打破了。一个伪造的声音可以在当事人从未开口的情况下，听起来就像真实的某人。这证明了“声音”并不是一个独特的指纹；它只是一个可以被复制的声音模式。

我们应该如何应对？

那么，如果声纹是一个神话，我们该如何破案或验证身份呢？论文并没有说“停止使用声音”。它的意思是“停止使用错误的规则”。

与其问“这两段声音是否完美匹配？”（这几乎是不可能的），作者建议我们去问：“考虑到所有的变化和条件，这段声音来自A而不是B的可能性有多大？”

他们希望我们使用一种能够承认不确定性的系统。想象一位侦探说：“基于现有证据，这段声音极有可能属于嫌疑人，但我们必须考虑到录音质量较差、嫌疑人当时生病了，以及AI可能进行了伪造。”这被称为“概率性”方法。这就像是在说，“有90%的概率这是正确的人”，而不是断言“这绝对是正确的人”。

核心结论

这篇论文的核心观点简单而有力：声音不是指纹。 它们是混乱的、变化的，并且充满了惊喜。认为存在“声纹”的想法是一个危险的神话，它让我们对自己的结论过于自信。

作者建议我们在法律和科学中停止使用“声纹”这个词，因为它误导我们认为声音是固定的印章。相反，我们应该将声音证据视为一个缺少拼图块的谜题。我们需要观察所有的线索——情绪、健康状况、录制质量，甚至是AI伪造的可能性——并对说话者进行一次谨慎、诚实的推测。通过这样做，我们不再假装拥有神奇的钥匙，而是开始使用一种更聪明、更可靠的方式去倾听。