《Array》:An explainable voice-based age assurance system for binary age classification using acoustic features and machine learning
编辑推荐:
语音年龄保证聚焦于法律相关的<18岁与≥18岁边界。研究人员采用说话人不相交验证以获得现实的年龄分类估计。特征分析与SHAP(SHapley Additive exPlanations)揭示了判别性的年龄相关声学线索。可解释的经典机器学习达到了与1D-CNN(
语音年龄保证聚焦于法律相关的<18岁与≥18岁边界。研究人员采用说话人不相交验证以获得现实的年龄分类估计。特征分析与SHAP(SHapley Additive exPlanations)揭示了判别性的年龄相关声学线索。可解释的经典机器学习达到了与1D-CNN(一维卷积神经网络)相当的性能。可信度通过错误、置信度和校准分析进行评估。
随着在线平台和沉浸式技术(如混合现实)的普及,确保儿童在线安全已成为法律、伦理和社会层面的紧迫议题。尽管全球监管机构相继出台相关法规,但在线儿童剥削案件仍持续上升,传统年龄验证方法如出生日期输入、身份证上传易被绕过,而面部年龄估计则存在人口统计学偏差和公平性问题。语音作为隐私保护性较强的生物特征,蕴含年龄相关的声学线索,可作为补充方案。然而,现有语音年龄估计研究大多预测具体年龄或宽泛年龄组,缺乏对法律相关的<18岁与≥18岁边界的关注,且可解释性不足,难以满足安全敏感应用中的透明性和审计要求。为此,研究人员提出了一种可解释的语音年龄保证框架,将年龄分类定义为<18与≥18的二元任务,并通过说话人不相交验证、子组错误分析、置信度与校准评估、阈值敏感性分析及SHAP解释,系统评估模型在关键边界附近的可靠性和可信度。该研究的创新之处不在于使用新的声学特征或分类器,而在于问题定义和评估框架的严谨整合,为语音年龄保证在法律敏感场景中的进一步应用提供了证据。
研究人员采用AgeVoxCeleb数据集(含7-82岁录音,经语音活动检测和信噪比质量过滤后保留8478条样本,其中<18岁891条,≥18岁7587条)。提取三类手工声学特征:13个梅尔倒谱系数(MFCC)的六种统计量(78维)、9个能量相关特征和3个扰动特征(jitter、shimmer、谐噪比),共90维特征。通过Pearson相关和主成分分析(PCA)进行冗余分析,使用ANOVA F检验和信息增益(IG)进行特征选择。采用说话人不相交的5折交叉验证和冻结测试集划分,评估了随机森林、支持向量分类器(SVC)、决策树、逻辑回归、多层感知机(MLP)和一维卷积神经网络(1D-CNN)六种模型,并利用SMOTE和类权重处理类别不平衡。通过SHAP进行模型解释。
4.1 Performance overview:在保留的测试集上,SVC基线获得最高宏观F1分数0.993,准确率0.9971,稳定指数0.0061;随机森林在Pearson特征选择下F1为0.972;1D-CNN在ANOVA配置下F1为0.979,但稳定指数高于SVC,表明经典机器学习模型性能不逊于深度学习模型。
4.2 Performance in <18 prediction:针对<18这一关键类别,所有模型精度均为1.00,即没有将成人误判为未成年;但召回率因模型而异,SVC基线达到0.98,随机森林0.85,决策树最低0.67。SVC和随机森林在精度与召回之间取得较好平衡,而决策树和逻辑回归虽精度高但漏检较多。
4.3 Precision analysis:在冻结测试集上,所有基线模型在默认阈值下均实现零假阳性,即未将任何≥18说话人错分为<18。SVC仅产生4个假阴性,随机森林28个,逻辑回归45个,决策树60个。Wilson置信区间显示SVC召回率0.98,而其他模型置信区间较宽,不确定性更大。Precision-Recall曲线显示SVC和随机森林在广泛召回范围内保持高精度平台。
4.4 Statistical significance of performance differences:成对McNemar检验表明,SVC在统计上显著优于所有其他模型(p<0.0001);随机森林显著优于决策树和逻辑回归,但与MLP和1D-CNN无显著差异。这些结果为SVC的优势提供了统计支持。
4.5 Error analysis:按年龄组细分,随机森林对13-15岁样本错误率11.9%,16-17岁错误率16.3%;SVC对应错误率分别为2.4%和2.1%。两个模型在错误时均倾向于将<18错分为≥18,且16-17岁年龄组是最难分类的群体。
4.5.1 Misclassification by age group:具体数据如上,表明SVC在减少最难分类的16-17岁年龄组错误上显著优于随机森林。
4.6 Confidence distribution:随机森林的错误预测通常落在0.3-0.5的低置信区间,表明其较为谨慎;SVC对多数正确预测给出极端置信度,但少数错误预测(尤其是16-17岁)具有高置信度。Brier分数和期望校准误差(ECE)在测试集上分别为0.0071和0.0065,显示概率校准良好。阈值敏感性分析显示,将阈值从0.5降至0.3可将随机森林的假阴性从28减少到4且不引入假阳性。
4.7 Explainability analysis via SHAP:SHAP分析显示,MFCC相关特征(如mean_mfcc_3、min_mfcc_3、mean_mfcc_5)和扰动特征hnr_mean对预测贡献最大。较高的MFCC值倾向于预测<18,较高的HNR值倾向于预测≥18,这与年轻嗓音频谱更亮、成年人嗓音周期性更强一致。两个模型结果相似,且与ANOVA和IG选出的特征重叠,表明特征重要性并非模型特定伪影。
讨论部分指出,在语音年龄分类任务中,经典机器学习模型(尤其是SVC)可达到与深度学习模型相当的性能,同时提供更好的可解释性和特征级透明度。类别不平衡是限制<18性能的主要因素,但SMOTE和类加权并未一致改善最佳模型的性能。置信度分析提示可采用阈值调整或低置信度样本触发二次验证等策略来优化实际应用。SHAP结果与特征选择方法的一致性增强了结果可信度。研究同时强调,该框架的解释性主要面向监管机构和平台运营者,用于审计和内部验证,而非直接面向家长。
本文提出了一种可解释的语音年龄保证流程,专注于区分<18岁与≥18岁的二元任务。尽管特征提取、过滤和可解释性等技术均为已知方法,但将它们仔细整合并针对<18与≥18阈值进行严格评估是一项新颖贡献。通过说话人不相交的5折交叉验证和子组错误分析,研究人员证明了<18年龄组受数据稀缺限制,且16-17岁青少年因与年轻成人的声学相似性而更难分类。通过结合一组声学特征、关联性与冗余分析技术以及SHAP可解释性,该流程提供了透明度,从而支持其在与监管和在线安全环境相关领域的进一步研究。