说话人确认模型CAM++在腾讯云云服务器CVM上部署
原创
在今天这个数字技术迅速发展的时代，说话人识别技术（声纹技术）逐渐成为了身份验证、安全检查和个性化服务等领域的重要工具。随着需求的增加，这项技术也在不断进化，以适应更复杂的应用场景。最新的进展之一便是CAM++模型，这是一个基于密集连接时延神经网络的说话人识别模型，旨在提供更高的准确性和更快的推理速度。
CAM++模型概述
CAM++模型是在现有说话人识别技术的基础上，通过集成先进的网络架构设计和创新算法，实现了说话人识别性能的显著提升。与一些常见的说话人识别模型——如ResNet34和ECAPA-TDNN相比，CAM++在中文数据集CN-Celeb和英文数据集VoxCeleb上都显示出了更佳的性能。此外，CAM++具有更快的推理速度，使其在实际应用中更具优势。
模型架构
CAM++模型包括两大部分：前端的残差卷积网络和作为主干的时延神经网络。前端模块采用2维卷积结构，以提取更精细的时频特征，而主干模块则通过密集型连接复用层级特征，旨在提升计算效率。另一个创新之处是每一层都嵌入了一个轻量级的上下文相关掩蔽（Context-aware Mask）模块，它通过多粒度的池化操作来提取不同尺度的上下文信息，并生成一个mask来滤除无关噪声，保留关键的说话人信息。
模型性能
在模型性能评估方面，CAM++模型在公开的CN-Celeb测试集上取得了令人瞩目的结果。相较于其他主流模型，CAM++在接受大约3k训练说话人后，其等错误率（EER）已经达到6.78%，并且在接受大约200k训练说话人后，EER进一步降至4.32%，展示了其卓越的性能。
本文详述在腾讯云云服务器CVM上运行测试程序。
腾讯云云服务器CVM购买
环境配置
安装conda
wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh
sh Anaconda3-2023.03-Linux-x86_64.sh
conda create -n 3D-Speaker python=3.8
conda activate 3D-Speaker安装模型
git clone https://github.com/alibaba-damo-academy/3D-Speaker.git && cd 3D-Speaker
pip install -r requirements.txt
pip install modelscope测试代码：
from modelscope.pipelines import pipeline
from datetime import datetime
sv_pipeline = pipeline(
task='speaker-verification',
model='damo/speech_campplus_sv_zh-cn_16k-common',
model_revision='v1.0.0'
)
speaker1_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker1_a_cn_16k.wav'
speaker1_b_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker1_b_cn_16k.wav'
speaker2_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker2_a_cn_16k.wav'
start_time = datetime.now()
# 相同说话人语音
result = sv_pipeline([speaker1_a_wav, speaker1_b_wav])
elapsed_time = datetime.now() - start_time
print(result, elapsed_time.total_seconds() * 1000)
start_time = datetime.now()
# 不同说话人语音
result = sv_pipeline([speaker1_a_wav, speaker2_a_wav])
elapsed_time = datetime.now() - start_time
print(result, elapsed_time.total_seconds() * 1000)
start_time = datetime.now()
# 可以自定义得分阈值来进行识别，阈值越高，判定为同一人的条件越严格
result = sv_pipeline([speaker1_a_wav, speaker2_a_wav], thr=0.31)
elapsed_time = datetime.now() - start_time
print(result, elapsed_time.total_seconds() * 1000)
start_time = datetime.now()
# 可以传入output_emb参数，输出结果中就会包含提取到的说话人embedding
result = sv_pipeline([speaker1_a_wav], output_emb=True)
elapsed_time = datetime.now() - start_time
print(result['embs'], result['outputs'], elapsed_time.total_seconds() * 1000)
start_time = datetime.now()
# 可以传入save_dir参数，提取到的说话人embedding会存储在save_dir目录中
result = sv_pipeline([speaker1_a_wav], save_dir='savePath/')
elapsed_time = datetime.now() - start_time
print(result, elapsed_time.total_seconds() * 1000)运行结果：
展望未来
CAM++模型的开发和发布标志着声音识别技术向更高效、更准确方向的重大进步。随着技术的持续进化和优化，未来说话人识别的应用场景将会更加广泛，包括但不限于安全验证、个性化服务和音频内容分析等领域。此外，随着人工智能技术在声音处理领域的深入应用，我们有理由期待，在不久的未来，高性能的说话人识别技术将在我们的生活中扮演更加重要的角色。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。