TDNN说话人确认-英文-VoxCeleb-16k-离线-pytorch

X-vector 说话人识别模型

X-vector系统是说话人识别中最为经典的系统之一，是首个通过深度神经网络来提取说话人矢量的框架，相较于I-vector和GMM-UBM识别性能大幅提升。一般分为帧处理层，池化层，段处理层和分类层，当前的主流模型都是基于其框架改进而来。

模型简述

帧处理层使用一维卷积网络提取帧级别特征，池化层将帧级别特征变换成段级别特征，段处理层进一步进行特征变换，分类层将说话人矢量分到各说话人标签中。

训练数据

本模型使用公开的英文说话人数据集VoxCeleb2开发集进行训练，共计5994个说话人，可以对16k采样率的英文音频进行说话人识别。

模型效果评估

选择EER、minDCF作为客观评价指标。
在VoxCeleb1-O测试集上，EER = 2.22%，minDCF(ptarget=0.01, cmiss=c_fa=1) = 0.213。

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.pipelines import pipeline
sv_pipline = pipeline(
    task='speaker-verification',
    model='iic/speech_tdnn_sv_en_voxceleb_16k'
)
speaker1_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_ecapa-tdnn_sv_en_voxceleb_16k/repo?Revision=master&FilePath=examples/speaker1_a_en_16k.wav'
speaker1_b_wav = 'https://modelscope.cn/api/v1/models/damo/speech_ecapa-tdnn_sv_en_voxceleb_16k/repo?Revision=master&FilePath=examples/speaker1_b_en_16k.wav'
speaker2_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_ecapa-tdnn_sv_en_voxceleb_16k/repo?Revision=master&FilePath=examples/speaker2_a_en_16k.wav'
# 相同说话人语音
result = sv_pipline([speaker1_a_wav, speaker1_b_wav])
print(result)
# 不同说话人语音
result = sv_pipline([speaker1_a_wav, speaker2_a_wav])
print(result)
# 可以自定义得分阈值来进行识别-
result = sv_pipline([speaker1_a_wav, speaker2_a_wav], thr=0.356)
print(result)

训练和测试自己的TDNN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 clone https://github.com/alibaba-damo-academy/3D-Speaker.git && cd 3D-Speaker
conda create -n 3D-Speaker python=3.8
conda activate 3D-Speaker
pip install -r requirements.txt

运行TDNN在VoxCeleb集上的训练脚本

cd egs/voxceleb/sv-xvector
# 需要在run.sh中提前配置训练使用的GPU信息，默认是8卡
bash run.sh

TDNN说话人确认-英文-VoxCeleb-16k-离线-pytorch

作品详情