CAM++语种识别-中英文识别-16k
基于cam++的语种识别模型，支持中英文识别，输入音频，输出相应的语种标签。可用于多语种的ASR、TTS等多种任务。
- 模型资讯
- 模型资料
CAM++识别模型
CAM++模型是基于密集连接时延神经网络的识别模型。相比于一些主流模型，比如ResNet34和ECAPA-TDNN，CAM++具有更准确的识别性能和更快的推理速度。该模型可以用于语种识别、说话人确认等多项任务。
模型简述
CAM++模型结构如下图所示，整个模型包含两部分，残差卷积网络作为前端，时延神经网络结构作为主干。前端模块是2维卷积结构，用于提取更加局部和精细的时频特征。主干模块采用密集型连接，复用层级特征，提高计算效率。同时每一层中嵌入了一个轻量级的上下文相关的掩蔽(Context-aware Mask)模块，该模块通过多粒度的pooling操作提取不同尺度的上下文信息，生成的mask可以去除掉特征中的无关噪声，并保留关键的信息。
更详细的信息见
- 论文：CAM++: A Fast and Efficient Network for Speaker Verification Using Context-Aware Masking
- github项目地址：3D-Speaker
训练数据
本模型使用大规模公开中英文数据集进行训练，数据总时长3k+小时。
模型效果评估
在不同时长的集外测试集语种识别准确率（ACC）结果：
| Language | 3s | 5s | 10s |
|---|---|---|---|
| Chinese | 96.7% | 98.0% | 98.9% |
| English | 91.1% | 93.1% | 95.1% |
如何快速体验模型效果
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
lre_pipeline = pipeline(
task='speech-language-recognition',
model='damo/speech_campplus_lre_en-cn_16k',
model_revision='v1.0.0'
)
example_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_lre_en-cn_16k/repo?Revision=master&FilePath=examples/example_lre1_cn_16k.wav'
# 识别语种
result = lre_pipeline(example_wav)
print(result)
训练和测试自己的CAM++语种模型
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CAM++语种识别样例
cd egs/3dspeaker/lid
# 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
@article{cam++,
title={CAM++: A Fast and Efficient Network for Speaker Verification Using Context-Aware Masking},
author={Hui Wang and Siqi Zheng and Yafeng Chen and Luyao Cheng and Qian Chen},
journal={arXiv preprint arXiv:2303.00332},
}
3D-Speaker 开发者社区钉钉群
