Regularized DINO 自监督说话人识别模型

RDINO模型是基于时延神经网络构建的自监督说话人模型，可用于说话人确认、说话人日志等任务。

模型结构简述

Regularized DINO使用使用teacher-student模型结构，通过最大化同一语句中不同增强片段的特征分布相似性，自监督地获取说话人特征，同时使用多样性正则和冗余度消除正则缓解训练中存在的模型坍塌问题。

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，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 = 3.16%，minDCF(p_target=0.05, c_miss=c_fa=1) = 0.223。

如何快速体验模型效果

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

对于有开发需求的使用者，特别推荐您使用Notebook进行离线处理。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。

from modelscope.pipelines import pipeline
sv_pipline = pipeline(
    task='speaker-verification',
    model='damo/speech_rdino_ecapa_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=0.33)
print(result)

训练和测试自己的RDINO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RDINO在VoxCeleb集上的训练脚本

cd egs/sv-rdino/voxceleb
# 需要在run.sh中提前配置训练使用的GPU信息，默认是4卡
bash run.sh

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

@inproceedings{rdino,
  title={Pushing the limits of self-supervised speaker verification using regularized distillation framework},
  author={Yafeng Chen and Siqi Zheng and Hui Wang and Luyao Cheng and Qian Chen},
  booktitle={ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  year={2023},
  organization={IEEE}
}