语音大数据：即将到来的网络数据浪潮

    很少有人把2012年互联网产业两个热点联系在一起：大数据与语音操控。目前所说的大数据多是指网络上文字信息储存、清洗、分析与利用，重点在于对人类行为特点的把握。语音操控则指Siri类依靠机器语音识别的人机互动，多被用来提供新型网络服务与改善用户交互体验，还没有将声音作为一种数据资源加以利用。

    当电信运营商发现数据流量正逐步超越语音流量的时候，它们还没有把语音和数据看成一回事。英国“窃听门”与美国“棱镜门”都在提醒人们声音数据的重要。科大讯飞等公司的语音产品逐步成熟、花样繁多，以及微信上语音应用兴起则说明，语音数据的浪潮即将袭来。

    语音数据为何会兴起？首先，语音交流是人类乃至其他动物最本能的沟通方式，传播技术的发展是要便捷人类沟通，必然会靠拢人类最自然的交流形式——语音传播。互联网语音识别技术及语音传播应用的增加正符合了这一趋势，记录语音的数据将大量增加。

    语音数据有很多其他类型数据无法比拟的优势，如准确、快速完成身份识别。声纹如同指纹，每个人都不相同，国内已有几家科技公司在从事声纹识别（speaker recognition 或 voiceprint recognition）技术开发，依靠声音波纹，轻松地在数十亿人中锁定一个人。如此一来，网络身份可以不再依赖IP地址或移动设备编号来确定。

    此外，语音数据包含更多“无意识”信息，更符合大数据特点——无意间流露，有意识分析。个人说话的语调、语速、音量、换气频率等都可以转化为反映个人区域、心理、健康的数据。2013年，瑞士联邦理工学院视听通讯实验室(LCAV)依靠声音数据已能构建出简单的空间凸起的三维地图[1]。同时，语音数据相对于文字数据更为准确反映意义。如网上流行的段子“冬天：能穿多少穿多少；夏天：能穿多少穿多少”。同样的文字，语音更能明确表达意图。

    最后，语音识别技术已经基本成熟，可以较为准确地转换为文字，使语音信息具备了文字信息的潜质，通过这一处理，所有基于文字的数据处理方法都可以用来分析转换过的语音信息。

    随着语音应用的增加，网上语音大数据的浪潮即将袭来，虽然也将遇到分析技术、应用伦理、隐私安全等问题，但作为一种趋势，互联网业界应予以关注，有所准备。