随着人工智能技术的不断进步，“语音安防”逐渐走进了公众视野。所谓语音安防，是指利用人的声音进行智能预警的技术。举例来说，独居在家的老人在摔倒时往往面临极大的风险。如果机器能够通过识别老人的声音来触发呼救，这将挽救老人的生命。此外，中小学霸凌现象会给孩子的成长带来心理和身体上的巨大伤害，如果在霸凌现场有语音呼救设备，那么受到欺负的孩子就不会感到无助。对于商场、饭店、KTV、酒店等场所，如果装有语音呼救装置，当意外事件发生时，将极大提高救助部门的响应速度。
国内某公司的老人安防智能语音报警器
与传统视觉安防技术相比，声音在检测突发事件方面更加灵敏，没有方向的限制，对隐私的泄露也更少。此外，声音还可以与摄像头联动，进一步提高安防预警能力。
然而，许多人并不清楚该如何选择适用的安防产品。实际上，要评价一款安防产品的性能，需要综合考虑两个关键指标：一个指标称为召回率，或叫检出率，是指当异常事件确实发生时及时报警的概率；另一个指标称为误报率，是指在没有异常事件发生时，设备错误地触发报警的概率。
显然，这两个指标都非常重要。如果召回率不合格，那么在危险发生时无法及时预警，安防产品就失去了意义。如果误报率不合格，时不时让人虚惊一场，几次之后就没人把它当回事了。尴尬的是，这两个指标是互相矛盾的两兄弟：要提高召回率，捕捉到更多异常事件，就需要降低检测的门槛，但这必然会带来误报率的增大。
面对召回率和误报率的矛盾，应该如何选择合适的安防产品呢？
通常来说，我们可以首先选定一个可接受的召回率，然后比较不同安防产品的误报率。误报率越低，说明产品越出色。根据目前的技术水平，对于一般办公和家居场景，在95%的召回率下，每72小时一次误报就算是不错的系统了。然而，在实际安防场景中，背景噪音大、人声混杂，这会显著增大事件检测的难度和发生误报的可能。
误报就好比是“狼来了”寓言故事中的情节
值得说明的是，安防场景的特点在于异常事件发生的概率极低，但危害极大。这意味着一方面不能漏掉任何事件，另一方面必须把误报率控制在极低的范围内，至少要与异常事件发生的概率相当。否则，报警装置就会像那个喊“狼来了”的小男孩，误报几次后就会被人弃之不用。传统基于语音识别的检测方法很难达到这样的精度，因此需要研究新的算法和策略。
By：清华大学 王东