Highlights

说话人确认和声纹提取模型，训练数据集

英文数据集 Switchboard, Callhome

支持功能：

提取一段语音的说话人嵌入码 speaker embedding
说话人确认：判断两段语音是否为同一说话人

ModelScope-FunASR

FunASR希望在语音识别方面建立学术研究和工业应用之间的桥梁。通过支持在ModelScope上发布的工业级语音识别模型的训练和微调，研究人员和开发人员可以更方便地进行语音识别模型的研究和生产，并促进语音识别生态系统的发展。

项目介绍

ResNet34是说话人确认（Speaker Verification）中常用的模型结构。
模型包括帧级说话人特征提取主干网络ResNet34、全局统计池化global statistic pooling以及多个全连接层fully-connected layer。
该模型是达摩院语音团队在常用开源数据集 Switchboard 和多轮对话数据集 Callhome 上训练得到的，
可以用于通用任务的说话人嵌入码（speaker embedding）提取，或进行说话人确认任务。
该模型还可以用于说话人日志（speaker diarization）任务，并取得了良好的识别效果。
具体可以参考我们发表于ICASSP 2023上的论文和
论文解读。

Speaker Verification模型结构

如何使用模型

在线快速体验

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”栏中显示两个语音说话人之间的相似程度（0到1之间）。如果您想要测试自己的音频，可点击“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，相似度将会在测试结果栏中显示。

在Notebook中推理

对于灵活调用有需求的开发者，我们推荐您使用Notebook进行处理。首先登录ModelScope账号，点击模型页面右上角的“在Notebook中打开”按钮出现对话框，首次使用会提示您关联阿里云账号，按提示操作即可。关联账号后可进入选择启动实例界面，选择计算资源，建立实例，待实例创建完成后进入开发环境，输入api调用实例。

使用本模型提取说话人嵌入码（speaker embedding）：

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
import numpy as np

inference_sv_pipline = pipeline(
    task=Tasks.speaker_verification,
    model='damo/speech_xvector_sv-en-us-callhome-8k-spk6135-pytorch'
)

# 对于单个url我们使用"spk_embedding"作为key
spk_embedding = inference_sv_pipline(audio_in='https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_enroll.wav')["spk_embedding"]

除了url表示的网络wav文件，还可使用本地磁盘上的wav文件：

spk_embedding = inference_sv_pipline(audio_in='sv_example_enroll.wav')["spk_embedding"]

以及已经读取到内存中的numpy数组或者pytorch张量（Tensor）

import soundfile
wav = soundfile.read('sv_example_enroll.wav', dtype="int16")[0]
# 对于内存中的数组或者张量我们使用"spk_embedding"作为key
spk_embedding = inference_sv_pipline(audio_in=wav)["spk_embedding"]

speaker embedding的一个主要应用是评估两个说话人的相似程度：

enroll = inference_sv_pipline(audio_in='https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_enroll.wav')["spk_embedding"]

same = inference_sv_pipline(audio_in='https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_same.wav')["spk_embedding"]

import numpy as np
# 对相同的说话人计算余弦相似度
sv_threshold=0.9465
same_cos=np.sum(enroll*same)/(np.linalg.norm(enroll)*np.linalg.norm(same))
same_cos=max(same_cos - sv_threshold, 0.0) / (1.0 - sv_threshold) * 100.0
print(same_cos)

为了方便使用，本模型也支持直接进行说话人确认（speaker verification）：

# 两个语音为相同说话人
rec_result = inference_sv_pipline(audio_in=('https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_enroll.wav','https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_same.wav'))
print(rec_result["scores"][0])

# 两个语音为不同说话人
rec_result = inference_sv_pipline(audio_in=('https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_enroll.wav','https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_data/sv_example_different.wav'))

print(rec_result["scores"][0])

在本地机器中推理

如果您有本地推理或定制模型的需求，可以前往下载FunASR语音处理框架，不仅涵盖语音识别、端点检测和说话人确认等多种模型，还支持ModelScope开源模型的推理，使研究人员和开发者可以更加便捷的进行模型研究和生产，目前已在github开源：https://github.com/alibaba-damo-academy/FunASR

FunASR框架安装

安装FunASR和ModelScope，详见

pip3 install -U modelscope
git clone https://github.com/alibaba/FunASR.git && cd FunASR
pip3 install -e ./

基于ModelScope进行推理

在上面的安装完成后，就可以在使用ModelScope进行推理了，可运行如下命令提取speaker embedding：

cd egs_modelscope/speaker_verification/speech_xvector_sv-en-us-callhome-8k-spk6135-pytorch
python infer.py

或测试说话人确认功能：

python infer_sv.py

基于ModelScope进行模型微调

训练和微调功能正在开发中，敬请期待。

Benchmark

训练配置

Feature info: using 80 dims fbank, no cmvn, speed perturb(0.9, 1.0, 1.1)
Train info: lr 1e-4, batch_size 64, 1 gpu(Tesla V100), acc_grad 1, 300000 steps, clip_gradient_norm 3.0, weight_l2_regularizer 0.01
Loss info: additive angular margin softmax, feature_scaling_factor=8, margin 0.25
Model info: ResNet34, global statistics pooling, Dense
Train config: sv.yaml
Model size: 5.60 M parameters

使用方式以及适用范围

运行范围

支持Linux-x86_64，Mac和Windows运行。

使用方式

直接推理：可以提取语音的说话人 embedding，或者判断两句话的说话人是否相同。
微调：正在开发中。

使用范围与目标场景

适合于学术研究，在Callhome数据集上进行说话人日志、识别等任务。

模型局限性以及可能的偏差

特征提取流程和工具差异，会对打分的数值带来一定的差异（<1%）。
语句的过长、过短或静音过多会对性能产生一定影响