迷你项目：python cli(command line interface) and api(application programming interface)

[robin1001]

目的

• 好用第一：为开发者提供开箱即用更方便、更稳定的 python cli 和 api。
• 迭代速度是第一生产力：基于 python 快速的开发和迭代。

技术选择

• 推理引擎：onnxruntime，其支持的平台更多

功能

• [x] speaker embedding 提取，见 https://github.com/wenet-e2e/wespeaker/pull/211
• [x] 批量提取speaker embedding并保存为scp/ark文件，见https://github.com/wenet-e2e/wespeaker/pull/229
• [x] 两个说话人相似度计算，见 https://github.com/wenet-e2e/wespeaker/pull/211
• [x] 注册和说话人识别支持，见 https://github.com/wenet-e2e/wespeaker/pull/215
• [x] VAD 支持，用于切除测试语句首尾静音，见 https://github.com/wenet-e2e/wespeaker/pull/217
• [x] 删除旧版本 wespeakerruntime，见 https://github.com/wenet-e2e/wespeaker/pull/222
• [x] huggingface 和 modelscope 使用新版本 wespeaker python api huggingface demo modelscope demo
• [x] speaker diariztion 支持
• [x] 文档和教程，见 https://github.com/wenet-e2e/wespeaker/pull/226

[wsstriving]

另外有很多下游任务其实会需要大量提取embedding，是不是考虑提供一个多进程提取的加速版本

[robin1001]

可以，这个支持起来工作量不大

[cdliang11]

另外有很多下游任务其实会需要大量提取embedding，是不是考虑提供一个多进程提取的加速版本

形式：输入wav.scp，多进程提取输出到文本？

[cdliang11]

GPU支持

[wsstriving]

另外有很多下游任务其实会需要大量提取embedding，是不是考虑提供一个多进程提取的加速版本

形式：输入wav.scp，多进程提取输出到文本？

输出到kaldi 格式的文本或者 ark/ 或者每一个文件单独存一个 utt_name.npy 这种？

[robin1001]

推理引擎这块其实待讨论，究竟是用 torch(.pt) 还是用 onnxruntime，用 torch： 1）可很方便的在训练中集成 wespeaker 的预训练模型，可使用 GPU 训练，可放开参数进行微调。 2）其实主流的平台 windows/linux/mac torch 都有不错的支持，生态很完善。

[cdliang11]

modelscope目前没有wespeaker的demo，需要搞一个吗

[robin1001]

modelscope目前没有wespeaker的demo，需要搞一个吗

需要啊，搞一个