模型详情
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：
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
许可证
Apache License 2.0
引用
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。
资料或下载有问题？
登录后可提交反馈。
