как узнать пол человека по голосу
Кто там? — Идентификация человека по голосу
Здравствуй, дорогой читатель!
Предлагаю твоему вниманию интересную и познавательную статью об отдельно взятом методе распознавания говорящего. Всего каких-то пару месяцев назад я наткнулся на статью о применении мел-кепстральных коэффициентов для распознавании речи. Она не нашла отклика, вероятно, из-за недостаточной структурированости, хотя материал в ней освещен очень интересный. Я возьму на себя ответственность донести этот материал в доступной форме и продолжить тему распознавания речи на Хабре.
Под катом я опишу весь процесс идентификации человека по голосу от записи и обработки звука до непосредственно определения личности говорящего.
Запись звука
Наша история начинается с записи аналогового сигнала с внешнего источника с помощью микрофона. В результате такой операции мы получим набор значений, которые соответствуют изменению амплитуды звука со временем. Такой принцип кодирования называется импульсно-кодовой модуляцией aka PCM (Pulse-code modulation). Как можно догадаться, «сырые» данные, полученные из аудио-потока, пока еще не годятся для наших целей. Первым делом нужно преобразовать непослушные биты в набор осмысленных значений — амплитуд сигнала. [1, с. 31] В качестве входных данных я буду использовать несжатый 16-битный знаковый (PCM-signed) wav-файл с частотой дискретизации 16 кГц.
Освежить знания про порядок байтов можно на википедии.
Обработка звука
Нормализация, на мой взгляд, — самый простой и эффективный алгоритм предварительной обработки звука. Существуют также масса других: «отрезающие» частоты выше или ниже заданной, сглаживающие и др.
Разделяй и властвуй
Даже при работе со звуком с минимально достаточной частотой дискретизации (16 кГц) размер уникальных характеристик для секундного образца звука просто огромен — 16000 значений амплитуд. Производить сколь-нибудь сложные операции над такими объемами данных не представляется возможным. Кроме того, не совсем понятно, как сравнивать объекты с разным количеством уникальных черт.
Для начала снизим вычислительную сложность задачи, разбив ее на меньшие по сложности подзадачи. Этим ходом убиваем сразу двух зайцев, ведь установив фиксированный размер подзадачи и усреднив результаты вычислений по всем задачам, получим наперед заданное количество признаков для классификации. 
На рисунке изображена «порезка» звукового сигнала на кадры длины N с половинным перекрытием. Необходимость в перекрытии вызвана искажением звука в случае, если бы кадры были расположены рядом. Хотя на практике этим приемом часто принебрегают для экономии вычислительных ресурсов. Следуя рекоммендациям [1, с. 28], выберем длину кадра равной 128 мс, как компромисс между точностью (длинные кадры) и скоростью (короткие кадры). Остаток речи, который не занимает полный кадр, можно заполнить нулями до желаемого размера или просто отбросить.
Для устранения нежелаетльных эффектов при дальнейшей обработке кадров, умножим каждый элемент кадра на особую весовую функцию («окно»). Результатом станет выделение центральной части кадра и плавное затухание амплитуд на его краях. Это необходимо для достижения лучших результатов при прогонке преобразования Фурье, поскольку оно ориентировано на бесконечно повторяющийся сигнал. Соответственно, наш кадр должен стыковаться сам с собой и как можно более плавно. Окон существует великое множество. Мы же будем использовать окно Хэмминга.
n — порядковый номер элемента в кадре, для которого вычисляется новое значение амплитуды
N — как и ранее, длина кадра (количество значений сигнала, измеренных за период)
Дискретное преобразование Фурье
Следующим шагом будет получение кратковременной спектрограммы каждого кадра в отдельности. Для этих целей используем дискретное преобразование Фурье.
N — как и ранее, длина кадра (количество значений сигнала, измеренных за период)
xn — амплитуда n-го сигнала
Xk — N комплексных амплитуд синусоидальных сигналов, слагающих исходный сигнал
Кроме этого, возведем каждое значение Xk в квадрат для дальнейшего логарифмирования.
Переход к мел-шкале
На сегодняшний день наиболее успешными являются системи распознавания голоса, использующие знания об устройстве слухового аппарата. Несколько слов об этом есть и на Хабре. Если говорить вкратце, то ухо интерпретирует звуки не линейно, а в логарифмическом масштабе. До сих пор все операции мы проделывали над «герцами», теперь перейдем к «мелам». Наглядно представить зависимость поможет рисунок.
Как видно, мел-шкала ведет себя линейно до 1000 Гц, а после проявляет логарифмическую природу. Переход к новой шкале описывается несложной зависимостью.
m — частота в мелах
f — частота в герцах
Получение вектора признаков
Сейчас мы как никогда близко к нашей цели. Вектор признаков будет состоять из тех самых мел-кепстральных коэффициентов. Вычисляем их по формуле [2]
cn — мел-кепстральный коэффициент под номером n
Sk — амплитуда k-го значения в кадре в мелах
K — наперед заданное количество мел-кепстральных коэффициэнтов
n ∈ [1, K]
Как правило, число K выбирают равным 20 и начинают отсчет с 1 из-за того, что коэффициент c0 несет мало информации о говорящем, так как является, по сути, усреднением амплитуд входного сигнала. [2]
Так кто же все-таки говорил?
Последней стадией является классификация говорящего. Классификация производится вычислением меры схожести пробных данных и уже известных. Мера схожести выражается расстоянием от вектора признаков пробного сигнала до вектора признаков уже классифицированного. Нас будет интересовать наиболее простое решение — расстояние городских кварталов.
Такое решение больше подходит для векторов дискретной природы, в отличие от расстояния Евклида.
Внимательный читатель наверняка помнит, что автор в начале статьи упоминал про усреднение признаков речевых кадров. Итак, восполняя этот пробел, завершаю статью описанием алгоритма нахождения усредненного вектора признаков для нескольких кадров и нескольких образцов речи.
Кластеризация
Нахождение вектора признаков для одного образца не составит труда: такой вектор представляется как среднее арифметическое векторов, характеризующих отдельные кадры речи. Для повышения точности распознавания просто необходимо усреднять результаты не только между кадрами, но и учитывать показатели нескольких речевых образцов. Имея несколько записей голоса, разумно не усреднять показатели к одному вектору, а провести кластеризацию, например с помощью метода k-средних.
Итоги
Я всегда рад полезным комментариям по поводу улучшения материала. Спасибо за внимание.
Определение пола звонящего
Теперь в Calltouch появилась возможность автоматически определять, кто звонит чаще в конкретную компанию – женщины или мужчины. Точность определения составляет более 90%. Как работает технология распознавания голоса и каким образом удалось добиться таких результатов точности рассказывает старший продакт-менеджер Федор Иванов.
Зачем нужно определять пол звонящего
Отталкиваясь от информации о том, кто вам чаще звонит – мужчины или женщины, можно корректировать объявления и настраивать параметры таргетированной рекламы.
Собрав статистику, легко определить, кто больше звонит, а главное, покупает. И уже на основе этих данных корректировать рекламные кампании. Модифицируйте ставки – повышайте и понижайте в зависимости от звонящих. Таким образом, бюджет распределяется наиболее эффективно.
Сервис предоставляется бесплатно всем пользователям Calltouch.
Как работает определение голоса
На вход сервису поступает аудиофайл. Важно, чтобы запись, которая хранится в файле, была в стерео-формате, где есть две дорожки. Необходимость разделения одного файла связана с тем, что определить нужно только пол клиента, а не пол «оператор+клиент». Алгоритм, составляющий основу сервиса, специальным образом обрабатывает данный входной файл, а затем применяет к обработанному файлу специальные алгоритмы классификации, основанные на методах машинного обучения. После чего прикрепляет к нему один из трех возможных тегов: «мужской», «женский», «пол не определен».
Точность определения пола – более 90%. Такие результаты сервис способен показывать благодаря двум режимам работы.
Предикт
Режимы работы сервиса
Штатный режим работы сервиса – это тегирование.
Поступивший файл обрабатывается классификаторами, которые принимают решение о том, какой тег требуется установить. Полученный тег пробрасывается в «Журнал звонков» в колонку «теги».
Второй режим – дообучение.
Важно: запуск данного режима не происходит в автоматическом режиме, а всегда инициируется пользователем.
Происходит это следующим образом: если пользователь прослушал какой-то аудиофайл в журнале звонков и не согласен с поставленным тегом, то он меняет на другой.
Как подключить
Сервис определения пола звонящего предоставляется бесплатно. Посмотреть теги вы можете в «Журнале звонков».
Тегирование не зависит от тематики разговора – качество определения пола для проектов, например, в медицинской тематике или авто будет одинакова. Сервис уже доступен в вашем личном кабинете. Начните его использовать прямо сейчас.
Машинный слух. Как работает идентификация человека по его голосу
Содержание статьи
Характеристики голоса
В первую очередь голос определяется его высотой. Высота — это основная частота звука, вокруг которой строятся все движения голосовых связок. Эту частоту легко почувствовать на слух: у кого-то голос выше, звонче, а у кого-то ниже, басовитее.
Другой важный параметр голоса — это его сила, количество энергии, которую человек вкладывает в произношение. От силы голоса зависит его громкость, насыщенность.
Еще одна характеристика — то, как голос переходит от одного звука к другому. Этот параметр наиболее сложный для понимания и для восприятия на слух, хотя и самый точный — как и отпечаток пальца.
Предобработка звука
Человеческий голос — это не одинокая волна, это сумма множества отдельных частот, создаваемых голосовыми связками, а также их гармоники. Из-за этого в обработке сырых данных волны тяжело найти закономерности голоса.
Нам на помощь придет преобразование Фурье — математический способ описать одну сложную звуковую волну спектрограммой, то есть набором множества частот и амплитуд. Эта спектрограмма содержит всю ключевую информацию о звуке: так мы узнаем, какие в исходном голосе содержатся частоты.
Но преобразование Фурье — математическая функция, которая нацелена на идеальный, неменяющийся звуковой сигнал, поэтому она требует практической адаптации. Так что, вместо того чтобы выделять частоты из всей записи сразу, эту запись мы поделим на небольшие отрезки, в течение которых звук не будет меняться. И применим преобразование к каждому из кусочков.
Спектрограмма пения птицы
Выбрать длительность блока несложно: в среднем один слог человек произносит за 70–80 мс, а интонационно выделенный вдвое дольше — 100–150 мс. Подробнее об этом можно почитать в исследовании.
Следующий шаг — посчитать спектрограмму второго порядка, то есть спектрограмму от спектрограммы. Это нужно сделать, поскольку спектрограмма, помимо основных частот, также содержит гармоники, которые не очень удобны для анализа: они дублируют информацию. Расположены эти гармоники на равном друг от друга расстоянии, единственное их различие — уменьшение амплитуды.
Давай посмотрим, как выглядит спектр монотонного звука. Начнем с волны — синусоиды, которую издает, например, проводной телефон при наборе номера.
Видно, что, кроме основного пика, на самом деле представляющего сигнал, есть меньшие пики, гармоники, которые полезной информации не несут. Именно поэтому, прежде чем получать спектрограмму второго порядка, первую спектрограмму логарифмируют, чем получают пики схожего размера.
Логарифм спектрограммы синуса
Теперь, если мы будем искать спектрограмму второго порядка, или, как она была названа, «кепстр» (анаграмма слова «спектр»), мы получим во много раз более приличную картинку, которая полностью, одним пиком, отображает нашу изначальную монотонную волну.
Одна из самых полезных особенностей нашего слуха — его нелинейная природа по отношению к восприятию частот. Путем долгих экспериментов ученые выяснили, что эту закономерность можно не только легко вывести, но и легко использовать.
Зависимость мела от герца
Эту новую величину назвали мел, и она отлично отражает способность человека распознавать разные частоты — чем выше частота звука, тем сложнее ее различить.
График перевода герца в мелы
Теперь попробуем применить все это на практике.
Идентификация с использованием MFCC
Мы можем взять длительную запись голоса человека, посчитать кепстр для каждого маленького участка и получить уникальный отпечаток голоса в каждый момент времени. Но этот отпечаток слишком большой для хранения и анализа — он зависит от выбранной длины блока и может доходить до двух тысяч чисел на каждые 100 мс. Поэтому из такого многообразия необходимо извлечь определенное количество признаков. С этим нам поможет мел-шкала.
Мы можем выбрать определенные «участки слышимости», на которых просуммируем все сигналы, причем количество этих участков равно количеству необходимых признаков, а длины и границы участков зависят от мел-шкалы.
Вычисление мел-частотных кепстральных коэффициентов
Вот мы и познакомились с мел-частотными кепстральными коэффициентами (MFCC). Количество признаков может быть произвольным, но чаще всего варьируется от 20 до 40.
Эти коэффициенты отлично отражают каждый «частотный блок» голоса в каждый момент времени, а значит, если обобщить время, просуммировав коэффициенты всех блоков, мы сможем получить голосовой отпечаток человека.
Тестирование метода
Давай скачаем несколько записей видео с YouTube, из которых извлечем голос для наших экспериментов. Нам нужен чистый звук без шумов. Я выбрал канал TED Talks.
Скачаем несколько видеозаписей любым удобным способом, например с помощью утилиты youtube-dl. Она доступна через pip или через официальный репозиторий Ubuntu или Debian. Я скачал три видеозаписи выступлений: двух женщин и одного мужчины.
Затем преобразуем видео в аудио, создаем несколько кусков разной длины без музыки или аплодисментов.
Продолжение доступно только участникам
Вариант 1. Присоединись к сообществу «Xakep.ru», чтобы читать все материалы на сайте
Членство в сообществе в течение указанного срока откроет тебе доступ ко ВСЕМ материалам «Хакера», позволит скачивать выпуски в PDF, отключит рекламу на сайте и увеличит личную накопительную скидку! Подробнее
Как научить компьютер узнавать знакомых и незнакомых
У каждого человека есть свои вокальные характеристики — темп, громкость и интонация голоса,— обусловленные индивидуальной структурой его голосового аппарата. Прислушиваясь к разговору, человек может на уровне подсознания идентифицировать голоса. Но можно ли научить этому компьютер?
При разработке алгоритма идентификации личности по голосу решаются две подзадачи: распознавание говорящего и проверка. Распознавая говорящего человека, компьютер сравнивает образец речи с шаблоном из базы данных и ищет соответствия.
Сами системы распознавания могут быть разделены на текстозависимые и текстонезависимые: известен ли системе текст, который должен быть произнесен пользователем, и использует ли система данную информацию. При текстозависимом распознавании могут использоваться как фиксированные фразы, так и фразы, сгенерированные системой и предложенные пользователю. Текстонезависимые системы предназначены обрабатывать произвольную речь.
Сейчас используются несколько алгоритмов создания таких систем.
Например, алгоритм динамического преобразования времени (Dynamic Time Warping) используется для текстозависимых систем. Этот алгоритм используется для распознавания речи в том случае, когда два разных человека произнесли какую-либо одну фразу и надо узнать, кто именно. Для этого компьютер сравнивает две «карты» голоса, отображенные на синусоидных графиках (рис. 1, а). Для сравнения достаточно всего два-три слова.
Но бывает так, что эти графики у людей очень похожи. Чтобы сравнить такие голоса, компьютер будет «деформировать» ось времени одного или обоих графиков, чтобы достигнуть лучшего выравнивания (рис. 1, б). Ошибки возникают из-за того, что сравниваемые последовательности имеют разную длину и точка одного ряда будет расположена немного выше или немного ниже соответствующей точки в другом ряду. Поэтому алгоритму трудно найти видимое выравнивание двух строк. Тем не менее он хорошо справляется с распознаванием отдельных слов в ограниченном словаре. Это простой и открытый для улучшения алгоритм, подходящий для приложений в телефонах, автомобильных компьютерах или системах безопасности.
Другой алгоритм — метод опорных векторов, или SVM (от англ. Support Vector Machines), удобно применять, когда требуется идентифицировать каждого человека в большой группе говорящих людей. Этот алгоритм создает линию или гиперплоскость, которая делит данные на классы. Как в детской задаче, где надо одной линией разделить красные и синие кружочки, алгоритм должен найти наиболее правильную линию (рис. 2). Но таких линий может быть очень много. Как же алгоритм находит «ту самую»? Компьютер ищет такие точки на графике, которые расположены ближе всего к линии разделения. Эти точки называются опорными векторами. Затем алгоритм вычисляет расстояние между опорными векторами и разделяющей плоскостью. Основная цель алгоритма — найти такое место, где это расстояние будет максимально большим. Алгоритм может работать и с трехмерной моделью.
Это позволяет использовать его в анализе и классификации больших объемов данных или разрозненных данных из разных источников. Алгоритм может быть использован для выявления закономерностей в данных и создания структуры, которая потом используется для классификации. Для этого нужно ввести набор входных данных и соответствующих им выходных данных, которые используются для анализа и извлечения паттерна. При этом нам не нужно понимать поведение данных, алгоритм сам будет наблюдать за данными и связями внутри них. Кроме того, этот алгоритм хорошо умеет фильтровать шумы и ошибки данных, что часто нужно при распознавании голоса.
Оба этих алгоритма используются в современных устройствах — телефонах, роботах, системе «умный дом», компьютерах и автомобилях. И алгоритм динамического преобразования временной шкалы, и метод опорных векторов могут помочь организовать регламентированный доступ пользователей по заданной парольной фразе к ресурсам предприятия, телефонным и интернет-сервисам. Эти технологии могут упростить процесс идентификации пользователя без ущерба для информационной безопасности устройства.
Системы могут и будут улучшаться. Сегодня ученые пробуют дополнить алгоритмы языковыми моделями, которые будут описывать структуру языка — например, последовательность слов. Применение нейронных связей — это еще один этап. При этом каждое новое распознавание будет улучшать каждое новое распознавание в будущем. Таким образом, система станет самообучаемой.
Что можно узнать о человеке по тембру его голоса
Тембр голоса может рассказать о многом, от возраста человека до его пристрастий. Если изучить «язык тембров», то можно понять о человеке даже то, что он сам хочет скрыть.
Тембр как личность
Нет двух абсолютно одинаковых по тембру голосов. Специалист по певческим технологиям Иван Левидов, говорит, что «основные характерные элементы тембра каждого голоса есть величина постоянная, не изменяющаяся с момента мутации голоса».
Порой, долго не видя человека, мы можем не узнать его, но стоит ему заговорить, мы тут же его вспомним. Один только тембр голоса во многом определяет человека. Французский фониатр Жан Абитболь однажды даже отказался делать операцию пациентке – считал, что изменение голоса изменит ее личность.
Что такое тембр
Термин произошел от французского timbre (колокольчик). Это психоакустическая характеристика голоса. Его эксклюзивная окрашенность. Поэтому, когда анализируют мастерство владения вокалом, часто используют определения из словаря живописи — «колорит», «палитра», «краски». И вот эти «цветовые» нюансы и позволяют различать голоса людей. Даже если высота, громкость и длительность их звучания одинакова.
Фониатры говорят, что тембр голоса труднее настроить, чем музыкальный инструмент. Радикально же «переделать», к примеру, тенора в бас и вовсе нельзя. Даже хирургическим путем.
От чего зависит тембр голоса
От плотности смычки голосовых связок, от их длины, ширины, упругости и натяжения. Последнее создается пластичностью перстнещитовидной мышцы, которую профессор и императорский лейб-отиатр Н. П. Симановский называл «музыкальной», так как она действует, как колок у скрипки.
Еще тембр зависит от объема трахеи и формы внутреннего резонатора. Так у Шаляпина было куполообразное нёбо, от которого, как от соборного свода отталкивался звук. И это нёбо стало предметом изучения не только фониатров, но и отоларингологов, антропологов и анатомов.
За «окраску» же тембра отвечают обертоны. Чем больше обертонов – тем «вкуснее» голос.
Обертоны
Это звуки над звуками. Тренированным горлом производятся одновременно как бы два звука – тон и обертон. Обертоны – высокочастотны и ранжированы по законам «золотого сечения». Что это такое? Когда мы смотрим на лицо человека и находим его привлекательным, это означает, что оно «скроено» природой по соотношению частей соразмерно. Вот так же и обертоны гармонизируют тембр голоса при помощи интервалов.
Голос словно поднимается по обертонной лестнице — с одной ступени на другую. Между ними паузы. «Первый обертон отстоит от тона на октаву. Второй – уже меньше. Это – квинта.» И так же — по «шажкам» обертонов — постепенно подстраивается и обычное человеческое ухо, которое первоначально может обертонов и не различать.
Как рождается отклик на звуковую волну
Человек в среднем состоит на 60% из жидкой субстанции, которая и откликается на звук вибрацией. Немецкий исследователь звука и фотограф (киматик – от «kyma» – волна) Александр Лаутервассер провел ряд опытов – проигрывал у водоема звуки разной частоты — лязг подвижного состава поезда, крики чаек, фразы из токкат Баха. И фиксировал на фотокамеру волновой «отклик» воды. Каждый звук рождал свой узор. Так и человек вибрирует вслед за тембром голоса.
Чем мы говорим
«Ртом», «горлом», «грудью» и даже «животом». Последний в ответе за повышенную корпулентность подавляющего большинства оперных певцов – они «кладут голос на чрево». И вовлекают в процесс звучания все тело. Как младенец. Когда он плачет, то резонирует от макушки до пяток. С возрастом человек «зажимается». Голос теряет способность включать весь организм. И его вибрации «застревают» на уровне горла. Но мы созданы природой как единый резонатор.
Как тембр выдает говорящего
Проявит тембр и уровень интеллекта собеседника, род его занятий, темперамент. Как и его состояние — счастлив или нет, болен или здоров, утомлен или бодр. В тембре голоса отразится, и кто говорит – лидер или ведомый, лжец или поборник правды, завистник или щедрая душа, способен ли он на предательство или будет верен до гробовой доски.
Как раз связь тембра с доверием партнеру заинтересовала специалистов канадского научно-исследовательского Университета МакМастера. Участникам эксперимента дали прослушать голоса 20 мужчин и женщин. Один мужской – низкий вкрадчивый – все отметили, как «опасный». «С точки зрения сексуальной стратегии, — констатировала автор проекта Джиллиан О’Коннор, — оба пола расценивают такой тембр, как предупреждение о будущих изменах». Доверие вызвали — более высокий мужской и более низкий женский. Их сочли «надежными».
Про это
Британские исследователи из университетов Ливерпуля и Стирлинга, работая в племени хадза в Танзании, сделали открытие, что обладатели тембра в нижнем голосовом регистре имеют больше детей. Так танзанские «баритоны» опередили «теноров» в среднем на два ребенка. Ученые же Государственного университета штата Нью-Йорк нашли зависимость сексуальной привлекательности тембра женщин от фертильности.
Психологи Университета южной Каролины, проанализировав телефонные разговоры, выявили разницу тембров в процессе общения с безразличными и любимыми людьми. Последние даже копировали интонации друг друга, как бы ставя голоса на одну тоновую волну.
Антропологи Пенсильванского университета — Сара Вольф и Дэвид Путс — впервые попытались разобраться, «как признаки маскулинности влияют на мнение человека о его способности доминировать». Опыты показали, что мужчины с голосами глубокой тембральной окраски воспринимаются другими особями того же пола как «вожаки прайда».
Тембр на службе политики
В 2012 году корреспонденты журнала Proceedings of the Royal Society в содружестве с PR-технологами и нейропсихологами провели опросов американцев, которые отвечали на вопрос: «Какой тембр голоса вызывает у них наибольшее доверие к политику?».
Авторы публикации записали 17 женщин и 10 мужчин, которые произносят одну фразу – «Я призываю вас голосовать за меня в ноябре». Записи подвергли цифровой коррекции. Создали пары – один голос подняли, другой — снизили. «Избиратели» выбрали – глубокие низкие тембры. Причем, и мужской, и женский.
Ученые давно пришли к выводу, что секрет успеха/неуспеха человека — в тембре его голоса. Специалист по социологии общения в Институте когнитивной неврологии при Университетском колледже Лондона — профессор София Скотт — отметила, что «мы используем свои голоса для того, чтобы сообщить окружающим, что думаем о себе, и создать в их представлении положительный образ». Но тембр выдает и то, что человек, возможно, хотел бы скрыть.
Тембр на службе спецслужб
Тембр – одна из объективных колляций, которую учитывают спецслужбы при составлении психопортретов преступников. Профайлеры ФБР и ЦРУ обращают внимание на то, как дребезжит и как бы «спотыкается» голос. Когда юлит и недоговаривает, тембр становится скачкообразным, невнятным. Тревожность заставит его «задраться», повысив тон. Когнитивный диссонанс выразится в резких голосовых колебаниях и продемонстрирует шаткость позиции, неуверенность. Напряженный тембр – контроль за каждым шагом. Нотки металла — убежденность. Повышенная громкость – стремление подавить. Но основной тембральный рисунок навсегда остается неизменным.
Неповторимость
Раньше в паспорта итальянцев вносили — наряду с датой рождения, ростом, цветом волос и глаз — тембр голоса. Ныне суды США и Великобритании принимают — в качестве доказательств вины/невиновности – голосовые записи. Почему? Потому что тембр так же уникален, как генетический код в молекуле ДНК, папиллярный узор на подушечках пальцев или строение ушной раковины.
Уникален тембр настолько, что крупнейшие банки мира не боятся кодировать сейфы голосами их владельцев.