原文博客：Doi技术团队
链接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：记录优秀的Doi技术团队学习经历
本文链接：基于Kersa实现的声纹识别

基于Kersa实现的声纹识别

本项目是基于https://github.com/WeidiXie/VGG-Speaker-Recognition开发的，本项目主要是用于声纹识别，也有人称为说话人识别。本项目包括了自定义数据集的训练，声纹对比，和声纹识别。

安装环境

本项目使用的是Python 3.7，Keras2.3.1和Tensorflow1.15.3，音频处理使用librosa库，安装方法如下。

1、安装Tensorflow GPU版本，CUDA为10.0，CUDNN为7。

pip install tensorflow-gpu==1.15.3

2、安装Keras。

pip install keras==2.3.1

3、安装librosa库，最简单的方式就是使用pip命令安装，如下。如安装的是librosa 0.6.3–0.7.2，依赖的是numba0.49.0，源码安装的时候要留意，否者会报错No module named numba.decorators。

pip install pytest-runner
pip install librosa

如果pip命令安装不成功，那就使用源码安装，下载源码：https://github.com/librosa/librosa/releases/， windows的可以下载zip压缩包，方便解压。

pip install pytest-runner
tar xzf librosa-<版本号>.tar.gz 或者 unzip librosa-<版本号>.tar.gz
cd librosa-<版本号>/
python setup.py install

如果出现libsndfile64bit.dll': error 0x7e错误，请指定安装版本0.6.3，如pip install librosa==0.6.3

如果出现audioread.exceptions.NoBackendError错误，解决方法如下。

Windows： 安装ffmpeg，下载地址：http://blog.gregzaal.com/how-to-install-ffmpeg-on-windows/，笔者下载的是64位，static版。
然后到C盘，笔者解压，修改文件名为 ffmpeg，存放在C:\Program Files`目录下，并添加环境变量C:\Program Files\ffmpeg\bin`

最后修改源码，路径为C:\Python3.7\Lib\site-packages\audioread\ffdec.py，修改32行代码，如下：

COMMANDS = ('C:\\Program Files\\ffmpeg\\bin\\ffmpeg.exe', 'avconv')

Linux： 安装ffmpeg。

sudo add-apt-repository ppa:djcj/hybrid
sudo apt-get update
sudo apt-get install ffmpeg

配置环境变量。

export PATH=/usr/bin/ffmpeg:${PATH}

4、其他的依赖库自行安装。

自定义数据训练

本节介绍自定义数据集训练，如何不想训练模型，可以直接看下一节，使用官方公开的模型进行声纹识别。

数据获取

自定义数据列表格式如下，前面是音频的相对路径，后面的是该音频对应的说话人的标签，就跟分类一样。

dataset/ST-CMDS-20170001_1-OS/20170001P00001A0119.wav	0
dataset/ST-CMDS-20170001_1-OS/20170001P00001A0120.wav	0
dataset/ST-CMDS-20170001_1-OS/20170001P00001I0001.wav	1
dataset/ST-CMDS-20170001_1-OS/20170001P00001I0002.wav	1
dataset/ST-CMDS-20170001_1-OS/20170001P00001I0003.wav	1

1、本项目默认是支持Aishell，Free ST-Chinese-Mandarin-Corpus，THCHS-30，VoxCeleb2这4个数据集的，需要把他们下载并解压到dataset目录下，有一点要注意的是，VoxCeleb2数据集解压之后，把训练集和测试集里的aac目录下的文件夹都放在同一个VoxCeleb2目录下，他们的下载地址如下。

Aishell：http://www.openslr.org/resources/33
Free ST-Chinese-Mandarin-Corpus：http://www.openslr.org/resources/38
THCHS-30：http://www.openslr.org/resources/18
VoxCeleb2：http://www.robots.ox.ac.uk/~vgg/data/voxceleb/vox2.html

2、下载并解压完成之后，执行create_data.py生成数据列表，如何读者有其他自定义的数据集，可以参考这个文件中的代码，生成自己数据集的数据列表，其中delete_error_audio()函数是检查数据是否有错误或者过短的，这个比较耗时，如果读者能够保证数据没有问题，可以跳过这个函数。

训练

在执行训练之前，可能需要修改train.py中的几个参数。

gpu是指定是用那个几个GPU的，如何多卡的情况下，最好全部的GPU都使用上。
resume这个是用于恢复训练的，如何之前有训练过的模型，可以只用这个参数指定模型的路径，恢复训练。
batch_size根据自己显存的大小设置batch的大小。
n_classes是分类数量，这个可以查看上一步生成数据列表最后一个得到分类数量，但也记得加1，因为label是从0开始的。
multiprocess这个参数是指定使用多少个线程读取数据，因为读取音频需要比较慢，训练默认也是使用4个多线程训练的，所以如果使用多线程读取数据，就不要使用多线程读取数据，否则反之，Ubuntu下最好使用多线程读取数据。但是Windows不支持多个线程读取数据，在Windows下必须是0。
net参数是指定使用的模型，有两种模型可以选择，较小的resnet34s，和较大的resnet34l。

最后执行train.py开始训练，在训练过程中，每一步都会保存模型，同时也使用Tensorboard记录训练的logs信息。

预测

使用训练完成的模型，或者是官方提供的模型，笔者这里提供了国内的下载：点击下载，把模型存放在pretrained目录下。

本项目提供三种预测方案：

第一种是声纹对比predict_contrast.py，即对比两个音频的声纹相似度，其中参数audio1_path和audio2_path就是需要对比的音频路径，其他的参数需要跟训练的一致。
第二种是录音识别predict_recognition.py，即通过录音识别说话的人属于声纹库中的那个，并输出说话人的名称和跟声纹库对比的相识度，同样其他的参数需要跟训练的一致。
第三种是服务接口方式predict_server.py，即通过HTTP提供接口，通过网络请求注册或者识别声纹，还有也提供了在线录音识别的页面，但是在线录音只能在localhost下使用，否则只能是HTTPS协议才能调用chrome浏览器的录音功能。

声纹对比：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rA0JjbX6-1594777446873)(https://s1.ax1x.com/2020/07/15/UdpbXd.jpg)]

录音声纹识别：

录音声纹识别