(简体中文|[English](./README.md)) # 声纹识别 ## 介绍 声纹识别是一项用计算机程序自动提取说话人特征的技术。 这个 demo 是一个从给定音频文件提取说话人特征，它可以通过使用 `PaddleSpeech` 的单个命令或 python 中的几行代码来实现。 ## 使用方法 ### 1. 安装 请看[安装文档](https://github.com/PaddlePaddle/PaddleSpeech/blob/develop/docs/source/install_cn.md)。 你可以从 easy，medium，hard 三中方式中选择一种方式安装。 ### 2. 准备输入 这个 demo 的输入应该是一个 WAV 文件（`.wav`），并且采样率必须与模型的采样率相同。 可以下载此 demo 的示例音频： ```bash # 该音频的内容是数字串 85236145389 wget -c https://paddlespeech.bj.bcebos.com/vector/audio/85236145389.wav ``` ### 3. 使用方法 - 命令行 (推荐使用) ```bash paddlespeech vector --task spk --input 85236145389.wav echo -e "demo1 85236145389.wav" > vec.job paddlespeech vector --task spk --input vec.job echo -e "demo2 85236145389.wav \n demo3 85236145389.wav" | paddlespeech vector --task spk ``` 使用方法： ```bash paddlespeech vector --help ``` 参数： - `input`(必须输入)：用于识别的音频文件。 - `task` (必须输入): 用于指定 `vector` 处理的具体任务，默认是 `spk`。 - `model`：声纹任务的模型，默认值：`ecapatdnn_voxceleb12`。 - `sample_rate`：音频采样率，默认值：`16000`。 - `config`：声纹任务的参数文件，若不设置则使用预训练模型中的默认配置，默认值：`None`。 - `ckpt_path`：模型参数文件，若不设置则下载预训练模型使用，默认值：`None`。 - `device`：执行预测的设备，默认值：当前系统下 paddlepaddle 的默认 device。 输出： ```bash demo [ 1.4217498 5.626253 -5.342073 1.1773866 3.308055 1.756596 5.167894 10.80636 -3.8226728 -5.6141334 2.623845 -0.8072968 1.9635103 -7.3128724 0.01103897 -9.723131 0.6619743 -6.976803 10.213478 7.494748 2.9105635 3.8949256 3.7999806 7.1061673 16.905321 -7.1493764 8.733103 3.4230042 -4.831653 -11.403367 11.232214 7.1274667 -4.2828417 2.452362 -5.130748 -18.177666 -2.6116815 -11.000337 -6.7314315 1.6564683 0.7618269 1.1253023 -2.083836 4.725744 -8.782597 -3.539873 3.814236 5.1420674 2.162061 4.096431 -6.4162116 12.747448 1.9429878 -15.152943 6.417416 16.097002 -9.716668 -1.9920526 -3.3649497 -1.871939 11.567354 3.69788 11.258265 7.442363 9.183411 4.5281515 -1.2417862 4.3959084 6.6727695 5.8898783 7.627124 -0.66919386 -11.889693 -9.208865 -7.4274073 -3.7776625 6.917234 -9.848748 -2.0944717 -5.135116 0.49563864 9.317534 -5.9141874 -1.8098574 -0.11738578 -7.169265 -1.0578263 -5.7216787 -5.1173844 16.137651 -4.473626 7.6624317 -0.55381083 9.631587 -6.4704556 -8.548508 4.3716145 -0.79702514 4.478997 -2.9758704 3.272176 2.8382776 5.134597 -9.190781 -0.5657382 -4.8745747 2.3165567 -5.984303 -2.1798875 0.35541576 -0.31784213 9.493548 2.1144536 4.358092 -12.089823 8.451689 -7.925461 4.6242585 4.4289427 18.692003 -2.6204622 -5.149185 -0.35821092 8.488551 4.981496 -9.32683 -2.2544234 6.6417594 1.2119585 10.977129 16.555033 3.3238444 9.551863 -1.6676947 -0.79539716 -8.605674 -0.47356385 2.6741948 -5.359179 -2.6673796 0.66607 15.443222 4.740594 -3.4725387 11.592567 -2.054497 1.7361217 -8.265324 -9.30447 5.4068313 -1.5180256 -7.746615 -6.089606 0.07112726 -0.34904733 -8.649895 -9.998958 -2.564841 -0.53999114 2.601808 -0.31927416 -1.8815292 -2.07215 -3.4105783 -8.2998085 1.483641 -15.365992 -8.288208 3.8847756 -3.4876456 7.3629923 0.4657332 3.132599 12.438889 -1.8337058 4.532936 2.7264361 10.145339 -6.521951 2.897153 -3.3925855 5.079156 7.759716 4.677565 5.8457737 2.402413 7.7071047 3.9711342 -6.390043 6.1268735 -3.7760346 -11.118123 ] ``` - Python API ```python import paddle from paddlespeech.cli import VectorExecutor vector_executor = VectorExecutor() audio_emb = vector_executor( model='ecapatdnn_voxceleb12', sample_rate=16000, config=None, # Set `config` and `ckpt_path` to None to use pretrained model. ckpt_path=None, audio_file='./85236145389.wav', device=paddle.get_device()) print('Audio embedding Result: \n{}'.format(audio_emb)) ``` 输出： ```bash # Vector Result: Audio embedding Result: [ 1.4217498 5.626253 -5.342073 1.1773866 3.308055 1.756596 5.167894 10.80636 -3.8226728 -5.6141334 2.623845 -0.8072968 1.9635103 -7.3128724 0.01103897 -9.723131 0.6619743 -6.976803 10.213478 7.494748 2.9105635 3.8949256 3.7999806 7.1061673 16.905321 -7.1493764 8.733103 3.4230042 -4.831653 -11.403367 11.232214 7.1274667 -4.2828417 2.452362 -5.130748 -18.177666 -2.6116815 -11.000337 -6.7314315 1.6564683 0.7618269 1.1253023 -2.083836 4.725744 -8.782597 -3.539873 3.814236 5.1420674 2.162061 4.096431 -6.4162116 12.747448 1.9429878 -15.152943 6.417416 16.097002 -9.716668 -1.9920526 -3.3649497 -1.871939 11.567354 3.69788 11.258265 7.442363 9.183411 4.5281515 -1.2417862 4.3959084 6.6727695 5.8898783 7.627124 -0.66919386 -11.889693 -9.208865 -7.4274073 -3.7776625 6.917234 -9.848748 -2.0944717 -5.135116 0.49563864 9.317534 -5.9141874 -1.8098574 -0.11738578 -7.169265 -1.0578263 -5.7216787 -5.1173844 16.137651 -4.473626 7.6624317 -0.55381083 9.631587 -6.4704556 -8.548508 4.3716145 -0.79702514 4.478997 -2.9758704 3.272176 2.8382776 5.134597 -9.190781 -0.5657382 -4.8745747 2.3165567 -5.984303 -2.1798875 0.35541576 -0.31784213 9.493548 2.1144536 4.358092 -12.089823 8.451689 -7.925461 4.6242585 4.4289427 18.692003 -2.6204622 -5.149185 -0.35821092 8.488551 4.981496 -9.32683 -2.2544234 6.6417594 1.2119585 10.977129 16.555033 3.3238444 9.551863 -1.6676947 -0.79539716 -8.605674 -0.47356385 2.6741948 -5.359179 -2.6673796 0.66607 15.443222 4.740594 -3.4725387 11.592567 -2.054497 1.7361217 -8.265324 -9.30447 5.4068313 -1.5180256 -7.746615 -6.089606 0.07112726 -0.34904733 -8.649895 -9.998958 -2.564841 -0.53999114 2.601808 -0.31927416 -1.8815292 -2.07215 -3.4105783 -8.2998085 1.483641 -15.365992 -8.288208 3.8847756 -3.4876456 7.3629923 0.4657332 3.132599 12.438889 -1.8337058 4.532936 2.7264361 10.145339 -6.521951 2.897153 -3.3925855 5.079156 7.759716 4.677565 5.8457737 2.402413 7.7071047 3.9711342 -6.390043 6.1268735 -3.7760346 -11.118123 ] ``` ### 4.预训练模型 以下是 PaddleSpeech 提供的可以被命令行和 python API 使用的预训练模型列表： | 模型 | 采样率 | :--- | :---: | | ecapatdnn_voxceleb12 | 16k