WeSpeaker

路线图 | 文档 | 论文 | 运行时 | 预训练模型 | Huggingface演示 | Modelscope演示

WeSpeaker主要专注于说话人嵌入学习，应用于说话人验证任务。我们支持在线特征提取或加载kaldi格式的预提取特征。

安装

安装Python包

pip install git+https://github.com/wenet-e2e/wespeaker.git

命令行用法（使用-h查看参数）：

$ wespeaker --task embedding --audio_file audio.wav --output_file embedding.txt
$ wespeaker --task embedding_kaldi --wav_scp wav.scp --output_file /path/to/embedding
$ wespeaker --task similarity --audio_file audio.wav --audio_file2 audio2.wav
$ wespeaker --task diarization --audio_file audio.wav

Python编程用法：

import wespeaker

model = wespeaker.load_model('chinese')
embedding = model.extract_embedding('audio.wav')
utt_names, embeddings = model.extract_embedding_list('wav.scp')
similarity = model.compute_similarity('audio1.wav', 'audio2.wav')
diar_result = model.diarize('audio.wav')

请参阅Python用法了解更多命令行和Python编程用法。

安装用于开发和部署

克隆此仓库

git clone https://github.com/wenet-e2e/wespeaker.git

创建conda环境：建议使用pytorch版本 >= 1.12.1 ！！！

conda create -n wespeaker python=3.9
conda activate wespeaker
conda install pytorch=1.12.1 torchaudio=0.12.1 cudatoolkit=11.3 -c pytorch -c conda-forge
pip install -r requirements.txt
pre-commit install  # 用于保持代码整洁

🔥 新闻

2024.05.15：添加对质量感知分数校准的支持，详见#320。
2024.04.25：添加对gemini-dfresnet模型的支持，详见#291。
2024.04.23：在运行时支持MNN推理引擎，详见#310。
2024.04.02：发布Wespeaker文档，包含详细的模型训练教程、各种运行时平台介绍等。
2024.03.04：支持达摩院的eres2net-cn-common-200k和campplus-cn-common-200k模型#281，详见Python用法。
2024.02.05：支持ERes2Net #272和Res2Net #273模型。
2023.11.13：支持wespeaker的CLI用法，详见Python用法。
2023.07.18：支持与kaldi兼容的PLDA和无监督适应，详见#186。
2023.07.14：支持NIST SRE16配方，详见#177。

技术方案

VoxCeleb：在VoxCeleb数据集上进行说话人验证的方案
- 🔥 2024年5月15日更新：我们支持VoxCeleb的分数校准，并取得了更好的性能！
- 🔥 2023年7月10日更新：我们支持VoxCeleb上的自监督学习方案！在vox1-O-clean测试集上，无需任何标签即可达到2.627%（ECAPA_TDNN_GLOB_c1024）的EER。
- 🔥 2022年10月31日更新：我们支持深度r-vector，最高可达293层版本！在vox1-O-clean测试集上达到0.447%/0.043的EER/mindcf
- 🔥 2022年7月19日更新：我们应用了与CNCeleb方案相同的设置，并在考虑开源系统的情况下获得了最先进的性能
  - 在vox1-O-clean测试集上，经过LM微调和AS-Norm后，EER/minDCF分别为0.723%/0.069（ResNet34）和0.728%/0.099（ECAPA_TDNN_GLOB_c1024）
CNCeleb：在CnCeleb数据集上进行说话人验证的方案
- 🔥 2024年5月16日更新：我们支持Cnceleb的分数校准，并取得了更好的EER。
- 🔥 2022年10月31日更新：221层ResNet达到5.655%/0.330的EER/minDCF
- 🔥 2022年7月12日更新：我们迁移了CNSRC 2022获胜系统报告幻灯片
  - 经过大间隔微调和AS-Norm后，EER/minDCF从8.426%/0.487降低到6.492%/0.354
NIST SRE16：用于2016 NIST说话人识别评估计划的说话人验证方案。类似的方案可以在Kaldi中找到。
- 🔥 2023年7月14日更新：我们支持NIST SRE16方案。经过PLDA适应后，我们在Pooled、塔加洛语和粤语试验中分别达到了6.608%、10.01%和2.974%的EER。
VoxConverse：在VoxConverse数据集上进行说话人分类的方案

讨论

对于中国用户，您可以扫描左侧的二维码关注我们的WeNet社区官方账号。我们还创建了一个微信群，以便更好地讨论和更快地响应。请扫描右侧的二维码加入聊天群。

引用

如果您觉得wespeaker有用，请按以下方式引用

@inproceedings{wang2023wespeaker,
  title={Wespeaker: A research and production oriented speaker embedding learning toolkit},
  author={Wang, Hongji and Liang, Chengdong and Wang, Shuai and Chen, Zhengyang and Zhang, Binbin and Xiang, Xu and Deng, Yanlei and Qian, Yanmin},
  booktitle={IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  pages={1--5},
  year={2023},
  organization={IEEE}
}

寻找贡献者

如果您有兴趣贡献，请随时联系@wsstriving或@robin1001