渭南市住房和城乡建设局网站/2022年最新热点素材

WeSpeaker正式更新C++部署链路，推理引擎使用OnnxRuntime，支持从语音中提取Speaker Embedding信息，代码详见WeSpeaker/runtime[1]。

Libtorch和onnx的选择?

• Speaker Embedding提取任务流程简单，并且声纹模型（如ResNet\ECAPA-TDNN)相对简单，只需简单几行代码即可导出Onnx模型；

• Libtorch包过大，并且使用过程中需要和pytorch的版本一致，OnnxRuntime相对轻便，只需12M左右；

故采用OnnxRuntime推理引擎，欢迎贡献基于其它推理引擎的代码。

整体概括

整体包含四部分：frontend、speaker、utils、bin

frontend

用于计算fbank特征，该部分代码复用WeNet-frontend[2]，支持读取wav文件，计算fbank特征。

speaker

包含主要的推理代码

1. speaker_model.h: 定义基类 SpeakerModel：便于实现对不同推理引擎的支持。

2. onnx_speaker_model.cc/h：继承基类SpeakerModel，基于OnnxRuntime推理引擎。

3. speaker_engine.cc /h: 实现SpeakerEngine类，供外部调用：

int EmbeddingSize();

• 返回Embedding的大小，用于推理前申请空间。

void ExtractFeature(const int16_t* data, int data_size,std::vector<std::vector<std::vector<float>>>* chunks_feat);

• 提取fbank特征，如果SamplesPerChunk<=0, 对整个句子提取特征，否则分块计算特征，块大小为SamplesPerChunk。

  • data：输入数据的地址，数据类型为int16

  • data_size: 输入数据的长度

  • chunks_feat: 输出特征，大小为[n, T, D]

void ExtractEmbedding(const int16_t* data, int data_size,std::vector<float>* avg_emb);

• 输入音频数据，提取Embedding特征。注意：对每个chunk提取embedding，最终取平均输出。

  • data: 输入数据地址，数据类型为int16

  • data_size: 输入数据的长度

  • avg_emb: 输出embedding特征

float CosineSimilarity(const std::vector<float>& emb1,const std::vector<float>& emb2)

• 计算两个embedding之间的余弦相似度得分。

utils

包含辅助函数，比如WriteToFile、ReadToFile将embedding信息写入文件或读取文件。

bin

提供两个示例。

1、asv_main.cc: 计算两条语音的相似度

export GLOG_logtostderr=1
export GLOG_v=2
onnx_dir=your_model_dir
./build/bin/asv_main \--enroll_wav wav1_path \--test_wav wav2_path \--threshold 0.5 \--speaker_model_path $onnx_dir/final.onnx

2、extract_emb_main.cc: 批量提取embedding并保存到txt文件中，同时计算RTF

export GLOG_logtostderr=1
export GLOG_v=2
wav_scp=your_test_wav_scp
onnx_dir=your_model_dir
embed_out=your_embedding_txt
./build/bin/extract_emb_main \--wav_list $wav_scp \--result $embed_out \--speaker_model_path $onnx_dir/final.onnx--SamplesPerChunk  80000  # 5s

benchmark

1、RTF

num_threads = 1

SamplesPerChunk = 80000

CPU: Intel(R) Xeon(R) Platinum 8160 CPU @ 2.10GHz

Model[3]	Params	RTF
ECAPA-TDNN (C=512)	6.19 M	0.018351
ECAPA-TDNN (C=1024)	14.65 M	0.041724
RepVGG-TINY-A0	6.26 M	0.055117
ResNet-34	6.63 M	0.060735
ResNet-152	19.88 M	0.179379
ResNet-221	23.86 M	0.267511
ResNet-293	28.69 M	0.364011

2、结果一致性

使用voxceleb测试，模型为resnet-34

Model	vox-O	vox-E	vox-H
ResNet-34-pt	0.814	0.933	1.679
ResNet-34-onnx	0.814	0.933	1.679

欢迎大家使用WeSpeaker，服务于各种下游任务，也欢迎社区的贡献和宝贵建议！

参考资料

[1] WeSpeaker/runtime: https://github.com/wenet-e2e/wespeaker/tree/master/runtime/onnxruntime

[2] WeNet-frontend: https://github.com/wenet-e2e/wenet/tree/main/runtime/core/frontend

[3] Model: https://github.com/wenet-e2e/wespeaker/blob/master/docs/pretrained.md