All systems operationalAI Agent Automation Platform
English
Language简体中文EnglishSelected

Choose your language

speech_eres2netv2w24s4ep4_sv_zh-cn_16k

Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k

PublisherFrankee

Download access requirementsModelScope source

这是一个用于说话人声纹识别的 ERes2Net v2 模型,已转换为 ONNX 格式以获得更好的推理性能。该模型专注于高性能的声纹特征提取,适用于各类声纹识别应用场景。 2. 使用 ModelScope SDK: 推理后端:ONNX Runtime GPU

Speech & Audio
Model details

模型介绍

中文整理

模型简介

这是一个用于说话人声纹识别的 ERes2Net v2 模型,已转换为 ONNX 格式以获得更好的推理性能。该模型专注于高性能的声纹特征提取,适用于各类声纹识别应用场景。

获取方式

您可以通过以下方式获取模型:

  • 直接克隆本仓库:
  • 使用 ModelScope SDK:

模型架构

模型:ERes2Net v2

基础宽度:24

缩放因子:4

扩展因子:4

嵌入维度:192

技术规格

框架:ONNX

推理后端:ONNX Runtime GPU

采样率:16kHz

输入格式:16位 PCM 音频

输出维度:192维声纹特征向量

版本说明

当前版本:v1.0.0

初始 ONNX 转换版本

优化 GPU 推理性能

支持批量推理

使用方法

环境要求

CUDA 12.x

ONNX Runtime GPU 1.19.0+

cuDNN 8.x

推理示例

性能说明

GPU 推理时间:~10ms (音频长度 3s)

CPU 推理时间:~50ms (音频长度 3s)

模型大小:约 15MB

内存占用:约 500MB (GPU 模式)

最佳实践

  • 音频预处理:
  • 采样率转换到 16kHz
  • 音频长度建议 2-10 秒
  • 音频格式转换为 float32,范围归一化到 [-1, 1]
  • 性能优化:
  • 使用 GPU 推理可获得最佳性能
  • 支持批量推理,batch size 建议不超过 32
  • 第一次推理会有初始化开销,建议预热

License

Apache License 2.0

Quote

如果您使用了这个模型,请引用以下论文:

优先采用原作者提供的中文模型卡片;仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。

你将获得什么

完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件;指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖,请按作者说明配齐。

完整仓库可能包含多个权重格式,因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。

使用前须知

运行环境

运行模型需要的设备、工具与依赖,以原作者说明为准。

授权范围

是否允许商用、修改和分发,请查看模型许可证。

闲社提供资料与镜像下载方法,不代表已运行模型或完成安全审计。下载的代码应先检查,再执行。

Back to top