知乎

天猫双11“春晚”有摇一摇获得“1元购”的互动，在大型晚会上这种通過摇一摇抢到红包或者节目单或者明星祝福什么的，互动是怎么实现的？

告诉大家，这项技术的关键，根本不在于“摇一摇”，而是要归功于里面一项很神秘的核心技术：音频指纹识别。

如果你看春晚把电视调成了静音，手腕摇断了都不会有明星送祝福。因为其实无论是支付宝，还是天猫这次双11春晚可能会用到的手机淘宝、手机天猫等App，在开启“摇一摇”这种功能的时候，你要先保证你的手机能“听到”电视发出的声音，这样手机上的麦克风才能采集音频信号，并对音频信号进行一些特征的预处理后，提取到音频的指纹。

那么音频的指纹是什么？音频指纹之于音频就如同指纹之于人，它是每段音频关于音频数据内容的压缩签名。目前比较通用的音频指纹是音频的频谱特征，频谱特征的好处呢，就在于它可以“透过外在看本质”，收集到的音频信号会先被无情地卸掉伪装，也就是进行数字采样和降噪等预处理，然后再通过加窗的方式分帧，对于每帧音频信号会提取出音频的频谱特征。最后将一系列连续的特征序列拼接成单独一个向量，我们就得到传说中的音频指纹了。

看到这里，大家可能想到了一个发家致富的新思路：要是我把天猫晚会录个音，然后每天在家循环播放边听边摇，我是不是能把马云爸爸抢破产啊？

马云爸爸冷笑一声：我们这个技术是实时互动你造吗？残酷的实时也就意味着只有在特定的时刻才会进行匹配。你上传的音频指纹是包含接收音频信号的时间信息的，而数据库中相对应的音频声纹也是有设定好的时间标签。所以只有在特定的时刻才会触发相应的互动活动。想抢钱哪有那么容易？劝你还是在屏幕前乖乖守着直播看表摇手机吧。