Wespeaker Voxceleb Resnet34 LM

🚀 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)
# set_gpu to enable the cuda inference, number < 0 means using CPU
model.set_gpu(0)

# embedding/embedding_kaldi/similarity/diarization
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')

# register and recognize
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

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

📄 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}
}