近日，达摩院正式向公众开源工业级说话人识别通用模型CAM++，兼顾准确率和计算效率，训练labels类别达20万，每类含20～200条梅尔频谱特征。当前该模型已上线Modelscope魔搭社区，后续将陆续开源针对各场景优化的工业级模型。
模型下载地址：https://www.modelscope.cn/models/damo/speech_campplus_sv_zh-cn_16k-common/summary
训练环境代码：https://github.com/alibaba-damo-academy/3D-Speaker/tree/main/egs/sv-cam%2B%2B
论文地址：https://arxiv.org/abs/2303.00332
在说话人识别领域中，主流的说话人识别模型大多是基于时延神经网络或者二维卷积网络，比如ECAPA-TDNN和ResNet模型，这些模型获得理想性能的同时，通常伴随着较多的参数量和较大的计算量。如何兼具准确识别和高效计算，实现整体优解，是当前说话人识别领域的研究热点之一。
为此，达摩院提出说话人识别模型CAM++。该模型主干部分采用基于密集型连接的时延网络（D-TDNN），每一层的输入均由前面所有层的输出拼接而成，这种层级特征复用和时延网络的一维卷积，可以显著提高网络的计算效率。
同时，D-TDNN的每一层都嵌入了一个轻量级的上下文相关的掩蔽（Context-aware Mask，CAM）模块。CAM模块通过全局和段级的池化操作，提取不同尺度的上下文信息，生成的mask可以去除掉特征中的无关噪声。TDNN-CAM形成了局部-段级-全局特征的统一建模，网络可以学习到特征中更加丰富的说话人信息。CAM++的前端模块是一个轻量的残差卷积网络，采用时频维度的二维卷积。相比一维卷积，二维卷积的感受野更小，可以捕获更加局部和精细的频域信息，同时，还对输入特征中可能存在的说话人特定频率模式偏移具有鲁棒性。
图1. CAM++模型结构图
实验表明，在公开的英文数据集VoxCeleb和中文数据集CN-Celeb，CAM++获得了0.73%和6.78%的EER，优于ECAPA-TDNN和ResNet34。使用20万类别训练的CAM++更是将CN-Celeb测试集EER刷新到4.32%。
同时我们比较了3者的参数量，计算量和推理实时率，结果显示CAM++在计算量和推理速度上有非常明显的优势，相比ECAPA-TDNN有着不到一半的计算量和推理延时。高准确率低实时率意味着实际应用中CAM++可以快速地提取准确的说话人特征，更加容易的应用于各种任务和实时场景下。
表1. 在单核CPU上推理时，CAM++的RTF显著优于ResNet34和ECAPA-TDNN。
表2. 各模型在CN-Celeb上识别错误率(EER)对比。
表3. 使用VoxCeleb训练集和相同的数据增广时，CAM++错误率(EER)优于ResNet34和ECAPA-TDNN。
开发者群
钉钉扫码进群
