模型介绍
中文整理X-vector 说话人识别模型
X-vector系统是说话人识别中最为经典的系统之一，是首个通过深度神经网络来提取说话人矢量的框架，相较于I-vector和GMM-UBM识别性能大幅提升。一般分为帧处理层，池化层，段处理层和分类层，当前的主流模型都是基于其框架改进而来。
模型简述
帧处理层使用一维卷积网络提取帧级别特征，池化层将帧级别特征变换成段级别特征，段处理层进一步进行特征变换，分类层将说话人矢量分到各说话人标签中。
训练数据
本模型使用公开的英文说话人数据集VoxCeleb2开发集进行训练，共计5994个说话人，可以对16k采样率的英文音频进行说话人识别。
模型效果评估
选择EER、minDCF作为客观评价指标。
在VoxCeleb1-O测试集上，EER = 2.22%，minDCF(p target=0.01, c miss=c fa=1) = 0.213。
在线体验
在页面右侧，可以在“在线体验”栏内看到我们预先准备好的示例音频，点击播放按钮可以试听，点击“执行测试”按钮，会在下方“测试结果”栏中显示相似度得分(范围为[-1,1])和是否判断为同一个人。如果您想要测试自己的音频，可点“更换音频”按钮，选择上传或录制一段音频，完成后点击执行测试，识别内容将会在测试结果栏中显示。
在Notebook中体验
训练和测试自己的TDNN模型
本项目已在3D-Speaker开源了训练、测试和推理代码，使用者可按下面方式下载安装使用：
运行TDNN在VoxCeleb集上的训练脚本
3D-Speaker 开发者社区钉钉群
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。