Res2Net说话人确认-中文-3D-Speaker-16k

3D-Speaker Res2Net 说话人识别模型

Res2Net模型是基于卷积神经网络构建的说话人模型，由于识别性能优异，已经被广泛使用在说话人识别领域中，还可用于说话人日志和语种识别等任务。

更详细的信息见

• Res2Net论文：Res2Net: A New Multi-scale Backboe Architecture
• 3D-Speaker论文：3D-Speaker: A Large-Scale Multi-Device, Multi-Distace, ad Multi-Dialect Corpus for Speech Represetatio Disetaglemet
• github项目地址：3D-Speaker

训练数据

本模型使用达摩院开源数据集3D-Speaker数据集进行训练，包含约10k个说话人，可以对16k采样率的中文音频进行识别。

模型效果评估

在3D-Speaker中文测试集:Cross Device, Cross-Distace, Cross-Dialect中EER评测结果如下：

在线体验

在页面右侧，可以在“在线体验”栏内看到我们预先准备好的示例音频，点击播放按钮可以试听，点击“执行测试”按钮，会在下方“测试结果”栏中显示相似度得分(范围为[-1,1])和是否判断为同一个人。如果您想要测试自己的音频，可点“更换音频”按钮，选择上传或录制一段音频，完成后点击执行测试，识别内容将会在测试结果栏中显示。

在Notebook中体验

from modelscope.pipelies import pipelie
sv_piplie = pipelie(
    task='speaker-verificatio',
    model='iic/speech_res2et_sv_zh-c_3dspeaker_16k',
    model_revisio='v1.0.0'
)
speaker1_a_wav = 'https://modelscope.c/api/v1/models/damo/speech_campplus_sv_zh-c_16k-commo/repo?Revisio=master&FilePath=examples/speaker1_a_c_16k.wav'
speaker1_b_wav = 'https://modelscope.c/api/v1/models/damo/speech_campplus_sv_zh-c_16k-commo/repo?Revisio=master&FilePath=examples/speaker1_b_c_16k.wav'
speaker2_a_wav = 'https://modelscope.c/api/v1/models/damo/speech_campplus_sv_zh-c_16k-commo/repo?Revisio=master&FilePath=examples/speaker2_a_c_16k.wav'
# 相同说话人语音
result = sv_piplie([speaker1_a_wav, speaker1_b_wav])
prit(result)
# 不同说话人语音
result = sv_piplie([speaker1_a_wav, speaker2_a_wav])
prit(result)
# 可以自定义得分阈值来进行识别
result = sv_piplie([speaker1_a_wav, speaker2_a_wav], thr=0.249)
prit(result)

训练和测试自己的Res2Net模型

本项目已在3D-Speaker开源了训练、测试和推理代码，使用者可按下面方式下载安装使用：

git cloe https://github.com/alibaba-damo-academy/3D-Speaker.git && cd 3D-Speaker
coda create - 3D-Speaker pytho=3.8
coda activate 3D-Speaker
pip istall -r requiremets.txt

运行Res2Net在VoxCeleb集上的训练脚本

cd egs/3dspeaker/sv-res2et
# 需要在ru.sh中提前配置训练使用的GPU信息，默认是4卡
bash ru.sh

使用本预训练模型快速提取embeddig

pip istall modelscope
cd 3D-Speaker
# 配置模型名称并指定wav路径，wav路径可以是单个wav，也可以包含多条wav路径的list文件
model_id=iic/speech_res2et_sv_zh-c_3dspeaker_16k
# 提取embeddig
pytho speakerlab/bi/ifer_sv.py --model_id $model_id --wavs $wav_path

相关论文以及引用信息

如果你觉得这个该模型有所帮助，请引用下面的相关的论文

@article{zheg20233d,
  title={3D-Speaker: A Large-Scale Multi-Device, Multi-Distace, ad Multi-Dialect Corpus for Speech Represetatio Disetaglemet},
  author={Zheg, Siqi ad Cheg, Luyao ad Che, Yafeg ad Wag, Hui ad Che, Qia},
  joural={arXiv preprit arXiv:2306.15354},
  year={2023}
}

3D-Speaker 开发者社区钉钉群

3D-Speaker Res2Net 说话人识别模型 Res2Net模型是基于卷积神经网络构建的说话人模型，由于识别性能优异，已经被广泛使用在说话人识别领域中，还可用于说话人日志和语种识别等任务。 更