Closed Yaodada12 closed 2 months ago
您使用的这个模型是学术模型,针对VoxCeleb进行训练测试。建议您这边更换通用模型进行测试:ERes2NetV2_COMMON or ERes2Net_COMMON or CAMPPLUS_COMMON.
CAMPPLUS_COMMON
多谢,CAMPPLUS_COMMON模型在英文数据上可用。
上述三个模型皆具有通用性,你可以依次尝试比较哈。
ERes2NetV2_COMMON
ok,性能上来看ERes2NetV2_COMMON模型效果和速度是不是都是最好的。
调整了一下speakerlab/bin/infer_sv.py的推理代码,使用的模型是https://www.modelscope.cn/models/iic/speech_eres2net_large_sv_en_voxceleb_16k/files,测试时听起来非常像的两个音频,其说话人相似度偏低。以0_s.wav和0_t.wav为例,取前3s的音频测试的相似度最高,为0.1775,但实际听起来两个人的相似度还是非常高的,所以不知道时哪里有问题。修改后的代码如下:
test.zip