如何三步搭建一套声纹系统

背景引见

声纹检索，望文生义就是谈话人识别，经过声响来验证或许识别谈话人的声响。声纹识别的关键步骤就是声响向量化，将谈话人的声响将其转化成结构化的向量。阿里云AnalyticDB向量版，提供了一套声纹验证检索的处置方案。用户只要要经常使用繁难的几条SQL命令，三步之内就可以搭建一套高精度的声纹检索验证服务。

声纹识别技术

1）声纹检索演示

图1展现了AnalyticDB向量数据库的声纹检索系统的演示界面。为了繁难用户体验，咱们将380团体的声响消息，转化成向量存储在系统中。演示系统分红两局部，第一局部是检索局部，用户输入录制好的声响文件或许用户现场启动录音上行声响文件，提交到声纹库启动声响的婚配检索。第二局部是注册局部，用户可以注册上行自己的声响到的声纹库外面，繁难前期的查问验证。在接上去的章节中，咱们区分引见各个配置。

图1. 声纹演示系统

图2上行一段S0004的测试音频“BAC009S0004W0486.wav”到声纹库外面启动检索，可以看到TOP1的结果S0004就会在最下面启动展现。

图2. 查问声响

图3展现了声纹注册系统，用户可以注册自己的声响到后盾声纹库外面，繁难检索。比如说，用户Hanchao注册自己的声响（只要7s长度），到的系统外面来。系统允许无文本注册，用户可以说任何话来启动注册。

图3. 注册声响

图4演示用户现场录制声响，上行到系统中，启动检索。比如说，“Hanchao”录制了一段5秒的语音到声纹系统中启动检索。之前注册过“Hanchao”的声响，系统可以看到排名第一的声响就是“Hanchao”的声响。

图4. 录制并检索声响

关于声纹演示，咱们驳回的是1:N的演示结果，可以用在会议室中的识别，经过声响可以找到关系的会议谈话人。，关于身份验证，这种1:1的演示，咱们只用限度距离小于550，就可以繁难的启出发份验证。

2）运行结构总体设计

阿里云声纹库检索的系统框架的总体架构如图5所示，AnalyticDB（声纹库）担任整个声纹检索运行的所有结构化消息（用户注册标识，用户姓名，以及其余的用户消息）和非结构化消息（声响发生的向量）的存储和查问。在查问的环节中，用户经过声纹抽取模型，将声响转成向量，在AnalyticDB中启动查问。系统返还回来关系的用户消息，以及l2向量距离[5]。其中声响抽取模型的训练和测试，咱们在下一章启动解说。

图5. 声纹检索库

3）系统精度

演示声纹系统，驳回的是GMM-UMB模型抽取的i-vector作为检索向量[3]。另外，咱们还训练了精度更高的深度学习声纹识别模型（x-vector[4]）。并且，可以针对特定的场景，比如说电话通话场景，手机APP场景，喧闹噪声场景等关系的场景启动声纹模型训练，详细消息可以加咱们的群启动了解。

声纹识别在学术界罕用的数据集（Aishall.v1 [1]数据集和TIMIT [2]数据集）下面的（1:N）的准确率（>99.5%，见表1）。

表1. Top 1 精度测试结果

三步搭建一个声纹系统

第一步，初始化。

系统成功了声响转向量的函数，用户将前端获取的声响经过POST恳求，发给阿里云服务系统，选用对应的声纹模型，就可以将声响转成对应的向量。

import requestsimport jsonimport numpy as np# sound： 声响二进制文件。# model_id：模型id。def get_vector(sound, model_id='i-vector'): url = 'http://47.111.21.183:18089/demo/vdb/v1/retrieve' d = {'resource': sound, 'model_id': model_id} r = requests.post(url,>