企业官网建设流程全解析

简介：本资源是一个基于声纹识别技术实现的Web端身份认证系统，面向信息安全、人机交互及Web开发领域的初学者与中级开发者，解决传统密码认证易遗忘、人脸识别隐私敏感等痛点，适用于企业级登录鉴权、金融账户二次验证等轻量级安全场景。压缩包共24个文件，含7个核心Python源码（如LPC.py、mel.py、train.py、test.py）、4个编译后pyc文件、3个XML配置模板、2个WAV语音样本、1个JS前端交互脚本、1个MP4系统演示视频、1个Word文档说明与1个PPT技术汇报材料，整体大小为7.26MB。已有491人学习下载，资源提供完整可运行的声纹特征提取（MFCC/LPC）、LBG矢量量化建模、模板匹配与Web集成流程，配套文档清晰、代码模块解耦、演示视频直观，便于快速理解声纹识别原理并部署验证。

1. 项目概述：当声音成为你的专属密钥

最近在捣鼓一个挺有意思的玩意儿：一个基于声纹识别的Web身份认证系统。简单来说，就是让用户通过“说句话”来登录网站或应用，替代传统的密码、短信验证码，甚至是指纹和人脸识别。你可能觉得这听起来有点科幻，但其实声纹识别技术已经相当成熟，它利用每个人声音中独一无二的生理特征（如声带、口腔、鼻腔结构）和行为特征（如发音习惯、语速、语调）来确认身份。

为什么要在Web端搞这个？核心驱动力在于无感、安全和体验的融合。想想看，在手机App上，调用麦克风进行语音输入很常见，但在浏览器环境里，受限于Web安全策略和JavaScript的能力，实现高精度的声纹采集与识别一直是个挑战。这个项目就是要啃下这块硬骨头，打造一个纯前端（JS）发起、后端协同的完整认证闭环。它特别适合对安全性和便捷性有双重要求的场景，比如金融产品的远程开户辅助验证、企业内部系统的安全登录、在线教育平台的学员身份核验，或者任何你不想让用户反复输入密码的Web服务。

2. 系统核心架构与设计思路拆解

2.1 为什么选择纯Web端方案？

一提到生物识别，大家第一反应往往是原生App。但在Web端实现声纹认证，有其独特的战略价值。首先是零安装、跨平台的优势。用户无需下载任何客户端，无论是Windows PC的Chrome，还是iPhone上的Safari，只要能打开浏览器，就能使用。这极大地降低了用户的启用门槛，特别适合拉新、促活等场景。其次是维护成本低。功能更新只需迭代服务器和前端代码，无需等待应用商店审核或用户手动更新App。

当然，挑战也显而易见。浏览器的JS环境是“沙盒”，对硬件（麦克风）的访问需要用户明确授权，且每次会话都可能需要重新授权。音频处理的性能也远不如原生代码。因此，我们的设计思路必须围绕“前端轻量化采集，后端重型化处理”来展开。前端（JS）只负责引导用户、获取麦克风权限、录制高质量音频流，并进行最基础的预处理（如降噪、端点检测）。而特征提取、模型比对、决策判断这些计算密集型任务，全部交给后端服务完成。

2.2 技术栈选型背后的逻辑

一个完整的系统离不开合适的技术组合。以下是核心组件及其选型理由：

• 前端（采集层）：

  • Web Audio API +getUserMedia：这是基石。getUserMedia用于获取麦克风音频流，Web Audio API 则提供了强大的音频处理能力。我们用它来创建音频上下文（AudioContext）、分析节点（AnalyserNode）进行实时音量监测，以及ScriptProcessorNode（或更现代的AudioWorklet）进行音频数据块的抓取。选择AudioWorklet替代已废弃的ScriptProcessorNode是更佳实践，它运行在独立的线程，不阻塞主UI，能保证录音的流畅和稳定。
  • 主流前端框架（Vue/React）：用于构建友好的用户交互界面。例如，一个清晰的录音引导按钮、实时的声波可视化、以及“请朗读数字串”的提示。框架能帮助我们高效管理这些组件的状态。
  • WebSocket或HTTP/2 + Fetch API：用于将采集到的音频数据块近乎实时地传输到后端。对于需要极低延迟的交互式验证，WebSocket是首选。对于“说一段话，然后上传验证”的模式，使用Fetch API进行分块上传或一次性上传即可。

• 后端（服务层）：

  • 语言选择：Python是首选。其生态在音频处理（librosa,pyAudioAnalysis）和机器学习（TensorFlow,PyTorch,scikit-learn）方面有巨大优势。如果团队以Java为主，可以考虑使用Deeplearning4j或通过gRPC调用Python服务。
  • 核心算法库：
    • 特征提取：梅尔频率倒谱系数（MFCC）是声纹识别的“黄金标准”特征。librosa.feature.mfcc可以方便地计算。此外，可以考虑加入基频（F0）、共振峰等作为补充特征。
    • 模型与比对：对于1:1验证（证明“你是你”），常用高斯混合模型-通用背景模型（GMM-UBM）或i-vector+ PLDA（概率线性判别分析）的传统方法。这些在scikit-learn中可以实现。对于更前沿、更精准的识别，深度神经网络（DNN），如x-vector或ECAPA-TDNN，是当前主流。可以使用SpeechBrain或PyTorch/TensorFlow搭建。
  • Web框架：FastAPI或Flask。它们轻量、异步支持好，能快速构建RESTful API或WebSocket端点，用于接收音频、调用模型、返回结果。

• 基础设施层：

  • 数据库：需要存储用户的声纹特征模型（或模型索引），而非原始音频（涉及隐私）。可以使用PostgreSQL（带向量扩展如pgvector用于相似度搜索）或专门的向量数据库如Milvus、Qdrant，以便快速进行海量声纹库的1:N检索（虽然Web认证以1:1为主）。
  • 音频存储：出于合规和审计考虑，有时需要加密存储原始录音片段。对象存储服务（如AWS S3、MinIO）是合适的选择。
  • 容器化：使用Docker封装Python服务及其复杂依赖，保证环境一致性。Kubernetes便于微服务部署和扩缩容。

注意：隐私和安全是生命线。必须做到：1) 前端录音前明确告知并获得用户同意；2) 音频传输全程使用HTTPS；3) 后端存储的特征模型必须加密；4) 制定严格的音频数据留存和销毁策略。

2.3 核心工作流程设计

整个认证流程像一场精密的接力赛：

1. 注册/特征录入流程：

   • 用户在Web页面点击“录制声纹”。
   • 前端JS通过弹窗获取麦克风权限。
   • 引导用户朗读系统随机生成的一段文本（如“3685 苹果 香蕉 上海”），这种文本称为动态口令，能有效防御录音攻击。
   • 前端以固定采样率（如16kHz）和格式（如PCM 16-bit）录制3-5秒音频，同时进行实时静音检测（VAD），自动裁剪掉首尾静音段。
   • 将音频数据编码（如WAV格式）后，通过FormData或二进制流上传至后端/enroll接口。
   • 后端提取该段音频的声纹特征，训练或生成一个针对该用户的特征模型（如一个GMM模型参数，或一个x-vector嵌入向量）。
   • 将此特征模型与用户ID关联，加密后存入数据库。原始音频在特征提取后应立即删除或加密归档。

2. 登录/验证流程：

   • 用户在登录页选择“声纹验证”。
   • 前端再次获取麦克风权限，并提示用户朗读系统实时给出的另一段动态口令。
   • 录制音频并上传至后端/verify接口，同时提交声称的用户ID。
   • 后端从库中取出该用户注册的声纹模型，与本次提交的音频提取的特征进行比对。
   • 比对算法计算出一个相似度分数（Score）。
   • 将此分数与一个预设的阈值（Threshold）进行比较。高于阈值则认证通过，否则失败。
   • 后端将验证结果（成功/失败）和可选的可信度分数返回给前端，前端据此跳转或提示错误。

3. 前端核心实现细节与避坑指南

3.1 高质量音频采集的JS实战

前端采集是第一步，也是保证后续识别率的基础。代码不复杂，但细节决定成败。

class VoiceprintRecorder { constructor() { this.mediaStream = null; this.audioContext = null; this.mediaRecorder = null; this.audioChunks = []; this.sampleRate = 16000; // 标准语音识别采样率 } // 1. 请求麦克风权限并初始化 async startRecording() { try { // 获取音频流，强烈建议指定音频约束 this.mediaStream = await navigator.mediaDevices.getUserMedia({ audio: { channelCount: 1, // 单声道足以，且数据量小 sampleRate: { ideal: this.sampleRate }, // 指定理想采样率 echoCancellation: true, // 启用回声消除 noiseSuppression: true, // 启用噪声抑制 autoGainControl: true // 启用自动增益控制 } }); // 创建音频上下文（考虑兼容性） const AudioContext = window.AudioContext || window.webkitAudioContext; this.audioContext = new AudioContext({ sampleRate: this.sampleRate }); // 创建媒体流源节点 const source = this.audioContext.createMediaStreamSource(this.mediaStream); // 【关键】使用 AudioWorklet 进行高效处理（替代已废弃的 ScriptProcessorNode） await this.audioContext.audioWorklet.addModule('audio-processor.js'); const workletNode = new AudioWorkletNode(this.audioContext, 'voice-processor'); // 连接：源 -> Worklet -> 目标（可以连接回扬声器用于监听，或断开） source.connect(workletNode); // workletNode.connect(this.audioContext.destination); // 如需监听则连接 // Worklet 接收处理后的数据 workletNode.port.onmessage = (event) => { const audioData = event.data; // 这里是处理后的音频数据块 this.handleAudioData(audioData); }; console.log('录音已开始，音频上下文状态:', this.audioContext.state); } catch (err) { console.error('无法获取麦克风或初始化音频上下文:', err); throw err; // 向上抛出错误，由UI层处理 } } // 2. 停止录音并整理数据 async stopRecording() { if (this.mediaStream) { this.mediaStream.getTracks().forEach(track => track.stop()); } if (this.audioContext && this.audioContext.state !== 'closed') { await this.audioContext.close(); } // 将收集的音频块合并、编码 const wavBlob = this.encodeToWav(this.audioChunks); this.audioChunks = []; // 清空缓存 return wavBlob; } // 3. 处理从Worklet接收的数据块 handleAudioData(dataArray) { // 这里可以做实时VAD（静音检测），过滤掉无效静音段 if (this.isVoiceActive(dataArray)) { this.audioChunks.push(dataArray.slice()); // 存储有效音频数据 this.updateVUIMeter(dataArray); // 更新UI音量指示器 } } // 简单的基于能量的VAD isVoiceActive(audioData) { const energy = audioData.reduce((sum, val) => sum + val * val, 0) / audioData.length; return energy > 0.01; // 这是一个经验阈值，需要根据实际环境调整 } // 4. 将PCM数据编码为WAV格式Blob encodeToWav(audioChunks) { // ... 实现WAV文件头写入和PCM数据拼接 // 这是一个标准函数，网上有很多实现，此处省略具体代码 return new Blob([wavData], { type: 'audio/wav' }); } }

对应的 AudioWorklet 处理器 (audio-processor.js):

// audio-processor.js class VoiceProcessor extends AudioWorkletProcessor { process(inputs, outputs, parameters) { const input = inputs[0]; if (input.length > 0) { const channelData = input[0]; // 取第一个声道的数据 // 这里可以对数据进行预处理，例如预加重滤波 // const processedData = this.preEmphasis(channelData); // 将处理后的数据发送到主线程 this.port.postMessage(channelData.slice()); } return true; // 保持处理器存活 } preEmphasis(data, coefficient = 0.97) { const processed = new Float32Array(data.length); processed[0] = data[0]; for (let i = 1; i < data.length; i++) { processed[i] = data[i] - coefficient * data[i - 1]; } return processed; } } registerProcessor('voice-processor', VoiceProcessor);

3.2 关键注意事项与踩坑实录

1. 采样率一致性是命门：前端getUserMedia、AudioContext、后端特征提取，三者的采样率必须强制统一（推荐16kHz）。浏览器可能不理会ideal采样率约束，所以必须在AudioContext中明确指定，并在后端对上传的音频进行重采样校验。
2. 自动增益的陷阱：在getUserMedia约束中开启autoGainControl有助于稳定音量，但在某些设备或浏览器上，它可能导致音频失真，反而影响特征提取。最佳实践是：先开启，如果发现识别率不稳定，则在高端设备或安静环境下尝试关闭它进行对比测试。
3. 处理“嗡嗡”声和延迟：如果听到回声或延迟，检查是否将处理节点连接到了audioContext.destination（系统扬声器），形成了回路。在纯采集场景下，通常不需要连接destination。
4. 兼容性与降级方案：AudioWorklet在Safari和旧版浏览器中支持不佳。必须检测兼容性，如果不支持，要降级到使用ScriptProcessorNode（尽管已废弃但仍有浏览器支持）或更简单的MediaRecorderAPI录制整个片段后再处理。MediaRecorder虽然简单，但无法进行实时VAD和精细的数据块处理。
5. 用户引导至关重要：UI/UX设计要清晰。告诉用户用正常语速、适中音量朗读，并保持环境相对安静。提供一个实时的音量仪表（VU Meter），让用户直观看到自己的声音是否被有效采集。

4. 后端声纹处理核心算法解析

4.1 从音频到特征：MFCC提取详解

后端拿到音频后，第一步是将其从声音信号转化为机器能理解的数字特征。MFCC是模拟人耳听觉特性的特征，计算步骤虽多，但都有现成库封装。

import librosa import numpy as np def extract_mfcc(audio_path, sr=16000, n_mfcc=13): """ 提取MFCC特征 :param audio_path: 音频文件路径或字节流 :param sr: 采样率，必须与前端一致 :param n_mfcc: 要提取的MFCC系数个数，通常13-20 :return: MFCC特征矩阵 (n_mfcc, time_frames) """ # 1. 加载音频，并强制重采样到目标sr，确保一致性 y, orig_sr = librosa.load(audio_path, sr=sr) # 2. 预加重：提升高频，平衡频谱 pre_emphasis = 0.97 y = np.append(y[0], y[1:] - pre_emphasis * y[:-1]) # 3. 分帧：将长信号切分成短帧（通常20-40ms一帧） frame_length = int(sr * 0.025) # 25ms frame_step = int(sr * 0.010) # 10ms重叠 frames = librosa.util.frame(y, frame_length=frame_length, hop_length=frame_step) # 4. 加窗（汉明窗）：减少每帧开始和结束处的信号不连续性 frames *= np.hamming(frame_length) # 5. 计算每帧的功率谱（通过FFT） NFFT = 512 # FFT点数 mag_frames = np.absolute(np.fft.rfft(frames, NFFT)) pow_frames = ((1.0 / NFFT) * (mag_frames ** 2)) # 6. 应用梅尔滤波器组：将线性频谱映射到梅尔尺度，更符合人耳听觉 nfilt = 40 mel_filters = librosa.filters.mel(sr=sr, n_fft=NFFT, n_mels=nfilt) mel_pow = np.dot(pow_frames.T, mel_filters.T) # 7. 取对数：人耳对声音强度的感知是对数型的 log_mel_pow = np.log(mel_pow + 1e-6) # 加一个小数避免log(0) # 8. 离散余弦变换（DCT）：压缩信息，得到MFCC系数 mfcc = librosa.feature.mfcc(S=log_mel_pow, n_mfcc=n_mfcc) # 9. （可选）计算一阶和二阶差分（Delta），表征动态特征 mfcc_delta = librosa.feature.delta(mfcc) mfcc_delta2 = librosa.feature.delta(mfcc, order=2) # 拼接静态和动态特征 feature_vector = np.vstack([mfcc, mfcc_delta, mfcc_delta2]) # 10. 倒谱均值归一化 (CMN)：消除信道噪声影响 feature_vector = feature_vector - np.mean(feature_vector, axis=1, keepdims=True) return feature_vector.T # 转置为 (time_frames, feature_dim)

实操心得：librosa.load非常智能，但务必显式指定sr参数。特征维度的选择（n_mfcc）需要平衡：维度太少信息丢失，太多则引入噪声且增加计算量。13维静态MFCC加上其一阶、二阶差分，共39维，是一个广泛使用的稳健配置。

4.2 模型训练与比对：从GMM-UBM到x-vector

特征提取后，需要用一个模型来“代表”一个人的声音。这里介绍两种主流方法。

方案一：传统方法 GMM-UBM适用于资源有限或需要快速上线的场景。

from sklearn.mixture import GaussianMixture import pickle def train_gmm_ubm(features_list, n_components=64): """ 训练通用背景模型 (UBM) :param features_list: 多个说话人所有语音的特征列表，用于训练一个通用的世界模型 :param n_components: GMM的高斯分量个数，通常32-1024，越多越精细但计算量越大 """ # 将所有特征堆叠起来 all_features = np.vstack(features_list) ubm = GaussianMixture(n_components=n_components, covariance_type='diag', max_iter=200, random_state=42) ubm.fit(all_features) # 保存UBM模型 with open('ubm_model.pkl', 'wb') as f: pickle.dump(ubm, f) return ubm def adapt_user_gmm(ubm, user_features): """ 使用MAP（最大后验概率）自适应，从UBM适配出用户特定的GMM :param ubm: 训练好的UBM模型 :param user_features: 单个用户的注册语音特征 :return: 用户自适应的GMM模型 """ # 这里简化实现，实际MAP自适应需要计算充分统计量并更新UBM参数 # 更简单的做法：直接用用户数据训练一个新的GMM，但UBM作为先验 user_gmm = GaussianMixture(n_components=ubm.n_components, covariance_type='diag', max_iter=100, random_state=42) user_gmm.fit(user_features) # 注意：实际MAP自适应不是简单的fit # 实际项目中建议使用 `bob.learn.em` 或 `kaldi` 工具包进行标准的MAP自适应 return user_gmm def verify_gmm(user_gmm, ubm, test_features): """ 计算对数似然比得分 :param user_gmm: 声称用户的GMM模型 :param ubm: 通用背景模型 :param test_features: 待验证的语音特征 :return: 得分（越高越像） """ score_user = np.mean(user_gmm.score_samples(test_features)) score_ubm = np.mean(ubm.score_samples(test_features)) return score_user - score_ubm # 对数似然比

方案二：深度学习方法 x-vector这是当前学术界和工业界的SOTA（state-of-the-art）选择，准确率更高，但需要更多数据和计算资源。

# 伪代码，示意流程 import torch import torch.nn as nn from speechbrain.lobes.models.ECAPA_TDNN import ECAPA_TDNN # 1. 使用预训练模型（例如SpeechBrain提供的） embedding_model = ECAPA_TDNN(input_size=40, # 输入特征维度，如MFCC channels=[1024, 1024, 1024, 1024, 3072], lin_neurons=192) # x-vector 维度 embedding_model.eval() def extract_xvector(features): """ 提取x-vector嵌入 :param features: (time_frames, feature_dim) 如 (300, 40) """ # 将特征转换为Tensor，并增加批次维度和通道维度 feat_tensor = torch.FloatTensor(features).unsqueeze(0).unsqueeze(1) # (1, 1, T, F) with torch.no_grad(): xvector = embedding_model(feat_tensor) # 输出形状 (1, 192) return xvector.squeeze().numpy() # 变为 (192,) 的向量 # 2. 注册：提取用户注册语音的x-vector，存入数据库 user_enroll_xv = extract_xvector(enroll_features) # 将 user_enroll_xv 存入向量数据库，关联用户ID # 3. 验证：提取待验证语音的x-vector，计算余弦相似度 test_xv = extract_xvector(test_features) from scipy.spatial.distance import cosine similarity_score = 1 - cosine(user_enroll_xv, test_xv) # 得分越接近1越相似

选型建议：如果注册语音数据充足（每人>60秒），且追求高精度，首选基于深度学习的方法（如ECAPA-TDNN）。如果数据稀缺或需要快速原型验证，GMM-UBM是更稳妥的起点。在实际生产中，可以部署一个混合系统：用深度学习模型作为主裁判，用GMM-UBM作为快速初筛或后备方案。

5. 系统集成、安全与性能调优

5.1 前后端API设计与通信

后端需要提供两个核心端点：

• POST /api/v1/voiceprint/enroll：声纹注册。

  • 请求：multipart/form-data，包含user_id和audio_file。
  • 处理：提取特征，训练/生成用户声纹模型，存储。
  • 响应：{“code”: 0, “message”: “enroll success”, “voiceprint_id”: “xxx”}

• POST /api/v1/voiceprint/verify：声纹验证。

  • 请求：multipart/form-data，包含user_id(或voiceprint_id) 和audio_file。
  • 处理：提取特征，与库中对应模型比对，计算得分。
  • 响应：{“code”: 0, “message”: “success”, “result”: true, “score”: 0.85, “threshold”: 0.70}

关键安全增强：

1. 防录音攻击：必须使用动态口令。每次验证时，后端生成一个随机的数字或词语序列，前端提示用户朗读，后端验证音频内容是否匹配该文本。这可以有效防御事先录好的语音攻击。
2. 活体检测：挑战在于纯音频。可以尝试：
   • 文本相关：如上文的动态口令。
   • 声学特征分析：检测录音设备与真实麦克风的频响差异（需要专业声学知识）。
   • 多模态结合：在支持的环境下，结合摄像头进行唇语同步检测（但这超出了纯Web声纹的范畴）。
3. 传输安全：所有API必须使用HTTPS。音频数据可以考虑在客户端进行简单的混淆（非加密，因为密钥在前端不安全）以增加爬取难度，但核心安全依赖于HTTPS和动态口令。

5.2 性能优化与阈值设定

• 响应速度：特征提取和模型比对是计算瓶颈。对于Python服务，使用asyncio处理I/O，对于计算密集型任务，可以使用celery等队列异步处理，或者使用更快的推理框架（如ONNX Runtime,TorchScript）来加速深度学习模型。
• 阈值设定：这是平衡安全（误识率FAR）与用户体验（误拒率FRR）的艺术。没有通用值，必须根据你的模型和业务场景在测试集上绘制检测错误权衡曲线（DET Curve），选取一个合适的操作点。
  • 操作步骤：
    1. 收集一个包含正样本（同一人）和负样本（不同人）的测试集。
    2. 用你的系统为所有样本对计算得分。
    3. 绘制DET曲线（FAR vs FRR）。
    4. 根据业务需求决定容忍度。例如，对于高安全场景，你可能要求FAR < 0.1%，此时对应的FRR可能高达10%。你需要告知用户验证失败是正常现象，并提供备用验证方式。
  • 代码示意：

    from sklearn.metrics import det_curve # scores_positive: 正样本比对得分列表 # scores_negative: 负样本比对得分列表 far, frr, thresholds = det_curve(y_true, y_scores, pos_label=1) # 在曲线上找到满足你FAR要求的阈值 target_far = 0.001 # 0.1% idx = np.argmin(np.abs(far - target_far)) optimal_threshold = thresholds[idx] print(f"当FAR为{target_far*100}%时，阈值为{optimal_threshold:.4f}，对应FRR为{frr[idx]*100:.2f}%")

6. 部署、监控与常见问题排查

6.1 服务化部署实践

建议使用Docker容器化部署，保证环境一致性。

# Dockerfile 示例 FROM python:3.9-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple COPY . . # 暴露端口，例如 8000 EXPOSE 8000 # 使用高性能ASGI服务器，如uvicorn CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000", "--workers", "4"]

使用docker-compose编排后端服务、数据库和缓存。

version: '3.8' services: voiceprint-api: build: ./backend ports: - "8000:8000" environment: - DATABASE_URL=postgresql://user:pass@db:5432/voiceprint depends_on: - db - redis db: image: postgres:14 environment: - POSTGRES_PASSWORD=your_strong_password volumes: - pg_data:/var/lib/postgresql/data redis: image: redis:7-alpine volumes: pg_data:

6.2 常见问题排查清单

在实际开发和运维中，你会遇到各种各样的问题。下面这个表格总结了一些典型问题及其排查思路：

我个人在实际部署中的深刻体会是，声纹认证系统不是一个“一劳永逸”的工程。它非常依赖于数据。初期，用一个公开数据集（如VoxCeleb）预训练的模型可能效果尚可，但一旦应用到真实用户场景，来自不同手机、耳机、环境噪音下的声音会带来巨大挑战。因此，建立一个持续学习的闭环至关重要。在用户每次成功验证后（通过其他强认证方式确认身份后），可以将这次高质量的语音作为正样本，安全地加入到该用户的训练数据中，微调其声纹模型，让模型随着时间推移越来越适应用户真实的声音变化。同时，建立一个标注好的“困难样本库”，专门收集验证失败的案例，用于定期分析和优化模型与阈值。这个过程，才是系统能否真正活起来、用起来的关键。

本文还有配套的精品资源，点击获取