眾所周知，音頻監(jiān)控已經(jīng)成為安防行業(yè)的重要組成部分，尤其是近幾年平安城市建設的推進和反恐進程的加快，音頻監(jiān)控在城市安防系統(tǒng)中應用的越來越多，特別是在機場、鐵路、銀行等一些領(lǐng)域，越來越多的安防工程急需清晰、逼真的影音同步監(jiān)控系統(tǒng)，音頻監(jiān)控領(lǐng)域已經(jīng)成為安防行業(yè)的新亮點，全國政法委會上明確提到“智慧城市不能只有圖像，而沒有聲音”。
目前，在許多場所，音頻監(jiān)控的使用已經(jīng)普及開來。
公共場所
音頻監(jiān)控在公共場所(公園、校園、高速公路等)中使用已經(jīng)非常廣泛。一套完整的音頻監(jiān)控系統(tǒng)包括聲音采集部分、語音降噪處理部分、網(wǎng)絡錄音部分、語音對講部分、聲音智能分析部分。通過音頻監(jiān)控的場景分析來判斷公共場景下的異常行為，這種技術(shù)是基于各類異常聲音在時域、頻域的特征，結(jié)合模式識別的分類方法可以對異常事件報警。
特殊場所
國家在對一些特殊的場地，場合，要求有視頻必須有音頻同步。例如檢察院審訊同步錄音錄像系統(tǒng)、公安局預審系統(tǒng)、看守所監(jiān)獄監(jiān)管系統(tǒng)等。北京地鐵、首都機場等公共交通樞紐也要有音頻監(jiān)控。在監(jiān)獄里，音頻監(jiān)控除了取證功能外，還可以起到預警作用，如發(fā)現(xiàn)“獄霸打架”。一般人說話的聲音強度大都在50分貝以內(nèi)，傳播的距離在30米左右，當音量高過一定分貝就可以起到報警作用，為避免造成更大的傷害起到一定的作用。
民用領(lǐng)域
近年來，隨著視頻監(jiān)控的普及，家庭、個人商鋪等的安防使用監(jiān)控系統(tǒng)越來越多，而對于家庭來說，監(jiān)控承擔了防盜，更成為家庭溝通交流的平臺，因此兼具音視頻功能的音頻監(jiān)控設備是當前家庭監(jiān)控的主流。具有音頻采集功能的家庭監(jiān)控，在小偷進入家門時，還可以進行遠程喊話，起到預警作用。
視頻+音頻，推動行業(yè)發(fā)展
音頻與視頻的有效結(jié)合能有效提升監(jiān)控質(zhì)量，滿足更多現(xiàn)實的需求，對于提升安全系數(shù)、提高破案能力等都有很大幫助。而事實上，音視頻結(jié)合監(jiān)控也給安防行業(yè)帶來新的發(fā)展方向。隨著數(shù)字網(wǎng)絡高清監(jiān)控的發(fā)展和普及，尤其是近兩年來價格戰(zhàn)和行業(yè)洗牌，安防行業(yè)的高清視頻已經(jīng)嚴重同質(zhì)化了，而音頻領(lǐng)域，廠家沒有那么多，在技術(shù)與質(zhì)量也還有很大的提升空間，是值得關(guān)注的方向。
那么音頻監(jiān)控如何融入到視頻監(jiān)控中來呢?其實，和視頻監(jiān)控一樣，音頻監(jiān)控同樣面臨數(shù)字化智能化的變革。目前，在視頻監(jiān)控領(lǐng)域智能分析是大家看好的方向，而海量的音頻數(shù)據(jù)同樣需要通過智能分析和判別才能更有意義，所以視頻監(jiān)控廠商在發(fā)展音頻方向的同時， 同樣需要加強智能分析方面的能力，而不是停留在存儲和監(jiān)聽的基本功能上。
語音識別
語音識別是大家比較熟悉的技術(shù)，目前在很多設備中都有應有。比如大家日常用的手機，語音識別技術(shù)使用已經(jīng)較成熟。語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳奈谋净蛎畹母呒夹g(shù)。語音識別技術(shù)經(jīng)過幾十年的發(fā)展，基于深度學習的人工智能語音將得到大范圍的應用。
聲紋識別
聲紋識別屬于生物識別技術(shù)的一種，是一項根據(jù)語音波形中反映說話人生理和行為特征的語音參數(shù)，自動識別說話人身份的技術(shù)。與語音識別不同的是，聲紋識別利用的是語音信號中的說話人信息，而不考慮語音中的字詞意思，它強調(diào)說話人的個性，而語音識別的目的是識別出語音信號中的言語內(nèi)容，并不考慮說話人是誰，它強調(diào)共性。
音頻監(jiān)控經(jīng)過多年的發(fā)展，已經(jīng)可以做到通過聲音的識別來判斷說話人的情緒、所處的環(huán)境等問題。而在音頻監(jiān)控環(huán)節(jié)中，聲紋識別提供了重要的技術(shù)支撐。目前，聲紋識別的世界市場占有率15.8%，僅次于指紋和掌紋的生物特征識別，并有不斷上升的趨勢。
聲音定位
人們經(jīng)常借助聽覺來判斷發(fā)音物體的位置。例如，當你獨自行走時，突然聽到一個響聲，你會立刻判斷出這個聲音是什么聲音、對你有無威脅、它來自何方等等。確定聲音的方向和距離需要比較來自兩耳信息，雖然你會很快做判斷和反應，但聲音定位過程是聽覺系統(tǒng)復雜綜合的功能。而監(jiān)控系統(tǒng)中的聲音定位則是通過強度差、時間差、因色差、相位差等來實現(xiàn)的。
音頻場景分析
作為人們感知外界環(huán)境的一個重要通道，聽覺在視線障礙、不利光照條件等情況中可起到視覺無法替代的作用，是視覺的重要補充。相比于圖像數(shù)據(jù)，音頻信號往往可使用相對簡單的設備進行采集并且占用更少的存儲空間和處理時間。隨著當前移動平臺計算能力的不斷提高，出現(xiàn)了越來越多基于音頻的各類應用，所涉及的音頻處理算法一直是相關(guān)研究領(lǐng)域的重點。其中，提取、分析和有效利用音頻數(shù)據(jù)所攜帶的語義信息，對基于內(nèi)容的多媒體檢索、摘要以及開發(fā)上下文自適應的應用等具有重要意義。音頻場景分析主要是為了分析、決策、預警所監(jiān)聽環(huán)境下發(fā)生的異常行為。其核心技術(shù)是基于各類異常聲音在時域、頻域的特征，結(jié)合模式識別的分類方法對異常事件報警。
