🚀 ウェスピーカー(Wespeaker)ResNet34ベースの話者埋め込みモデル
このモデルは、Wespeaker プロジェクトによって提供される公式モデルです。ResNet34ベースのr-ベクトル(大きなマージンで微調整後)で構成されています。このモデルは、5994人の話者を含むVoxCeleb2 Devデータセットで学習されています。
📦 インストール
通常のインストール
pip install git+https://github.com/wenet-e2e/wespeaker.git
開発用インストール
git clone https://github.com/wenet-e2e/wespeaker.git
cd wespeaker
pip install -e .
💻 使用例
コマンドラインでの使用
$ wespeaker -p ResNet34_download_dir --task embedding --audio_file audio.wav --output_file embedding.txt
$ wespeaker -p ResNet34_download_dir --task embedding_kaldi --wav_scp wav.scp --output_file /path/to/embedding
$ wespeaker -p ResNet34_download_dir --task similarity --audio_file audio.wav --audio_file2 audio2.wav
$ wespeaker -p ResNet34_download_dir --task diarization --audio_file audio.wav
Pythonプログラミングでの使用
import wespeaker
model = wespeaker.load_model_local(ResNet34_download_dir)
model.set_gpu(0)
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')
model.register('spk1', 'spk1_audio1.wav')
model.register('spk2', 'spk2_audio1.wav')
model.register('spk3', 'spk3_audio1.wav')
result = model.recognize('spk1_audio2.wav')
📚 ドキュメント
モデル情報
プロパティ |
詳細 |
モデルタイプ |
ResNet34ベースのr-ベクトル(大きなマージンで微調整後) |
学習データ |
VoxCeleb2 Devデータセット(5994人の話者を含む) |
モデルソース
- リポジトリ: https://github.com/wenet-e2e/wespeaker
- 論文: https://arxiv.org/pdf/2210.17016.pdf
- デモ: https://huggingface.co/spaces/wenet/wespeaker_demo
VoxCelebでの結果
モデル |
パラメータ |
演算量 |
LM |
AS-Norm |
vox1-O-clean |
vox1-E-clean |
vox1-H-clean |
ResNet34-TSTP-emb256 |
6.63M |
4.55G |
× |
× |
0.867 |
1.049 |
1.959 |
|
|
|
× |
√ |
0.787 |
0.964 |
1.726 |
|
|
|
√ |
× |
0.797 |
0.937 |
1.695 |
|
|
|
√ |
√ |
0.723 |
0.867 |
1.532 |
📄 ライセンス
このモデルはCC-BY-4.0ライセンスの下で提供されています。
引用
@article{zeinali2019rvector,
title={But system description to voxceleb speaker recognition challenge 2019},
author={Zeinali, Hossein and Wang, Shuai and Silnova, Anna and Mat{\v{e}}jka, Pavel and Plchot, Old{\v{r}}ich},
journal={arXiv preprint arXiv:1910.12592},
year={2019}
}
@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}
}