声纹模型全流程实践-开发（训练 - 微调 - 部署

文章目录

前言
一.声纹模型的功能
二.技术实现
- 2.1 业务侧-预处理阶段
- 2.2 模型侧-模型处理
- - 2.2.1 技术实现细节
  - - 2.2.1.1音频预处理
    - 2.2.1.2 VAD分片
    - 2.2.1.3 模型特征预测
    - 2.2.1.4聚类与日志生成
    - 2.1.2.5后处理
三.结语

前言

也许此刻的坚持无人喝彩，满是汗水与疲惫，可最难的终究是坚持。“心之所向，素履以往。生如逆旅，一苇以航。” 我们只问自由、盛放、深情、初心与勇敢，无问西东。这个时代，并不缺少完美的人，而是缺从自己心底给出真心、正义、无畏和同情的人。

上一篇说到funASR能够完整处理音频转文本，那对于一些场景需要识别说话人身份，并对说话人的说话内容进行截取分析。提升沟通效率和表达准确性。本篇介绍声纹模型主要功能和实现。

本项目参考夜雨飘零的声纹识别实现，并在此基础上进行功能补充和优化，完整项目可见： mxr-voiceprint-recognition-pytorch

本文将整体介绍这个声纹项目的目标、功能、核心技术以及应用价值。如果你正在学习声纹识别，或希望在自己的业务中落地语音身份识别，这篇文章会对你有所帮助。但其中项目的readme.md讲的已足够详尽，本篇不会叙述太多，仅讲解大致思路和各项功能，详细请自行调试代码，在项目中学习效果更佳。

一.声纹模型的功能

声纹识别
对输入的音频文件进行分析，提取声纹特征，并判断说话人身份。可应用于门禁验证、会议记录、呼叫中心身份确认等场景。

说话人日志
对长时音频或多说话人音频进行分段、聚类与识别，实现说话人的自动分离和日志记录，方便后续的分析与检索。可用于会议纪要、访谈整理等。

声纹对比
对两个音频文件提取的声纹特征进行相似度计算，判断是否为同一说话人。适合于身份验证、语音匹配等应用场景。

二.技术实现

2.1 业务侧-预处理阶段

在应用层预处理统一音频格式交付声纹大模型，虽然声纹模型也会自动处理，但是文件大小不一致对网络传输和存储都有一定压力。
在该阶段主要进行

音频格式统一（16kHz、单声道）
去噪、归一化、静音切除
特征提取（MFCC、Mel Spectrogram 等）

我探索了Java Sound和JAVE2包，最终选择JAVE2处理。以下可供参考

/** * 音频文件归一化 * 使用jave2工具包,处理wav文件为统一压缩格式 16k单声道 * className WavNormalizer * author YuanJie * date 2025/12/11 16:05 */publicclassWavNormalizerUtils{privatestaticfinallongFFMPEG_TIMEOUT=20;publicstaticFileconvertTo16kMono(MultipartFileinputFile)throwsException{// 1.保存 MultipartFile 到临时文件StringoriginalName=inputFile.getOriginalFilename();if(originalName==null||originalName.isEmpty()||!originalName.toLowerCase().endsWith(".wav")){thrownewBadCommonException("Invalid input file: "+originalName);}FiletempInput=File.createTempFile("upload_"+FilenameUtils.getName(originalName),".tmp");inputFile.transferTo(tempInput);// 2.输出文件FileoutputFile=newFile(originalName);// 3.设置音频参数// AudioAttributes audio = new AudioAttributes();// audio.setCodec("pcm_s16le"); // PCM 16-bit little-endian// audio.setChannels(1); // 单声道// audio.setSamplingRate(16000); // 16kHz//// EncodingAttributes attrs = new EncodingAttributes();// attrs.setAudioAttributes(audio);//// // 4.执行转换// Encoder encoder = new Encoder();// encoder.encode(new MultimediaObject(tempInput), outputFile, attrs);// 上述可替换为 ffmpegConvert(tempInput,outputFile); 处理 上述不支持音量和降噪标准化ffmpegConvert(tempInput,outputFile);// 5.删除临时输入文件tempInput.delete();returnoutputFile;}/** * 场景 推荐滤镜 * 空调噪声、办公室 afftdn * 风噪、车内 anlm * 麦克风底噪 afftdn * 电话回声 高通/带通 + afftdn * 混杂噪声（多人讲话） anlm 或 AI 模型 * 编码 PCM Signed 16-bit * 端序 Little-endian * 采样率 16000 Hz * 声道 1（单声道） * 封装 WAV * * loudnorm EBU R128 响度标准滤镜 * 响度标准化 综合响度-16 LUFS * 真实峰值限制 1.5音爆限制 * 响度动态范围 11 LU */@SneakyThrowsprivatestaticvoidffmpegConvert(Fileinput,Fileout){// FFmpeg 命令：统一音量 + 16k + 单声道 + s16leList<String>cmd=List.of("ffmpeg","-hide_banner","-y","-i",input.getAbsolutePath(),"-af","anlm=s=8:r=10:p=0.8, loudnorm=I=-16:TP=-1.5:LRA=11","-ar","16000","-ac","1","-acodec","pcm_s16le",out.getAbsolutePath());ProcessBuilderpb=newProcessBuilder(cmd);Processprocess=pb.start();booleanok=process.waitFor(FFMPEG_TIMEOUT,TimeUnit.SECONDS);if(!ok||process.exitValue()!=0){thrownewRuntimeException("ffmpeg normalization failed.");}}}

2.2 模型侧-模型处理

我已在项目中提供模型web接口。可以参考web接口传输数据。后续可能会补充ws传输。

声纹识别（Speaker Identification）流程大致为：
1.对音频进行归一化和预处理
2.提取声纹特征向量
3.与数据库中已注册的声纹向量进行匹配
4.输出最可能的说话人

说话人日志（Speaker Diarization）
它的核心任务是：将一段长音频拆分成多个说话人的片段，并标注出“谁在什么时候说了什么”。
它的流程大致为：
先做 Voice Activity Detection（VAD）
然后对每段音频提取向量
再使用聚类算法（本项目主要使用拉普拉斯矩阵的谱聚类方法）区分说话人
最后生成可阅读的日志

声纹对比（Speaker Verification）
给模型两个音频，它可以判断：这两段音频是不是同一个人说的
本质上是计算两个声纹向量的相似度（常用余弦相似度）。

2.2.1 技术实现细节

本节主要讲比较复杂的说话人分离

2.2.1.1音频预处理

主要采用yeaudio.audio库
为了提高模型健壮性，项目对原始音频做了多种标准化处理：

统一采样率：16kHz
单声道（Mono）
去噪（如 anlm）
音量归一化（如 loudnorm）
静音裁剪
限幅与波形清洗

2.2.1.2 VAD分片

该小节也没什么好讲好的，就是使用vad模型检测人声。
语音具有明显的结构特点：

共振峰（Formant）
声道衰减结构
清浊音差异（Voicing）
高频 fricatives 特征
能量分布在 300hz–3400hz（但不是均匀的）等，使用VAD模型更容易判断。

2.2.1.3 模型特征预测

声纹模型需要将音频转换为特征向量。
常用特征包括：
MelSpectrogram为梅尔频谱（Fbank），Spectrogram为语谱图，MFCC梅尔频谱倒谱系数等等。
这些特征比原始波形更能体现个体特有的声道特性。

对VAD处理的有效片段载入cam++等多说话人分离模型。转化为特征矩阵供后续聚类分离。
声纹系统中前置模块是

# 默认配置了FBank 滤波器组提取特征向量，为啥选这个，因为你可以参考readme.md的测试数据。self._audio_featurizer=AudioFeaturizer(...)

然后就是
1.加载音频 + 统一采样率 + 统一响度

''' 统一采样率（如 16kHz） dB 归一化 ndarray 转 float32 保留干净波形 '''input_data=self._load_audio(audio_data)audios_data1.append(input_data.samples)

2.padding 对齐

batch=sorted(audios_data1,key=lambdaa:a.shape[0],reverse=True)max_audio_length=batch[0].shape[0]inputs=np.zeros((input_size,max_audio_length),dtype=np.float32)

找出长度最长的音频
按它的长度创建一个空矩阵 (batch_size, max_length)
把短音频放进去，多出来的部分用 0 补齐.类似于报文帧，帮助区分有效帧和填充帧.但是为啥不用变长头？因为这是要特征提取，转化为统一矩阵啊喂！

# 告诉模型真实长度（隐藏的 mask 信息）input_lens_ratio.append(seq_length/max_audio_length)

3.声学特征提取

audio_feature=self._audio_featurizer(inputs,input_lens_ratio)

这一行就是分离模型真正工作的地方：
将 wav→ 特征矩阵（如 FBank）
处理 padding mask
保证输出对齐、时长一致
生成给 backbone 模型可接受的输入
实现原始变长音频 → 多帧声学特征（T × D） → 对齐后的特征批量

4.声纹模型批量预测
audio_feature 已经是统一形状 (batch, time, dim)
声纹模型（CAMPPlus / ResNet34 / ECAPA）可以直接前向计算
每条音频输出一个 192-d / 256-d / 512-d 的 embedding

最终返回

features:ndarray[batch_size,embedding_dim]

2.2.1.4聚类与日志生成

经过上述音频转特征值后即可聚类了。
对每个语音片段生成声纹向量
使用特定算法(拉普拉斯，k-means等)进行聚类
自动标注每段的"说话人id"

项目中实现的 SpectralCluster 类，基于非归一化拉普拉斯矩阵与特征间隙（Eigengap）技术，能够在未知说话人数量的条件下，自动推断聚类数量，并获得更稳定的说话人分割效果。

总体而言进行以下日志分离流程：VAD有效片段提取→ 先构造相似度矩阵 → 拉普拉斯矩阵 → 求特征向量（嵌入空间），然后对这些低维谱嵌入做最终聚类。

1.相似度矩阵

@staticmethoddefget_sim_mat(X):returnsklearn.metrics.pairwise.cosine_similarity(X,X)

是为了构建声纹片段之间的两两相似度矩阵，（可以简单理解为单位向量余弦值的计算）用于后续的：

p_pruning（修剪）
Laplacian（拉普拉斯矩阵）
谱嵌入（spectral embedding）
KMeans 聚类

2.P-Pruning 相似度修剪

# 根据阈值pval修剪相似度矩阵Adefp_pruning(self,A):# 保护性调整：当样本数 N 很小时，将最小保留数限定为 6ifA.shape[0]*self.pval<6:pval=6./A.shape[0]else:pval=self.pval# 将较小的相似度强制设为 0。仅保留每行 最高的部分相似度。防止弱关系导致错误连边n_elems=int((1-pval)*A.shape[0])# 关联矩阵中的每一行中的前n_elems个最小值下标foriinrange(A.shape[0]):low_indexes=np.argsort(A[i,:])low_indexes=low_indexes[0:n_elems]# 用0替换较小的相似度值A[i,low_indexes]=0returnA

输入 A 是一个相似度矩阵（通常由 cosine_similarity(X,X) 得到，形状为 N×N）。然后目对相似度矩阵做稀疏化（pruning）：每一行只保留最相似的若干列，把其它较小的相似度置为 0。这样可以把原来稠密的图（每对样本都有边）变成稀疏图，有利于谱聚类的稳定性和去噪。

3. 拉普拉斯矩阵（Laplacian）计算

# 计算对称相似度矩阵M的拉普拉斯矩阵@staticmethoddefget_laplacian(M):M[np.diag_indices(M.shape[0])]=0D=np.sum(np.abs(M),axis=1)D=np.diag(D)# 度矩阵L=D-M# 非归一化拉普拉斯returnL

我们构建图 G：
顶点：每个音频片段
边：两个片段的相似度
拉普拉斯矩阵具有图论意义：通过 L 的特征向量，可以获得更健壮的“低维空间聚类表示”。

4. 特征间隙（Eigengap）自动估计聚类数量

# 计算拉普拉斯矩阵L的谱嵌入，并根据特征间隙或指定的oracle_num确定聚类数量defget_spec_embs(self,L,k_oracle=None):lambdas,eig_vecs=scipy.linalg.eigh(L)ifk_oracleisnotNone:num_of_spk=k_oracleelse:lambda_gap_list=self.get_eigen_gaps(lambdas[self.min_num_spks-1:self.max_num_spks+1])num_of_spk=np.argmax(lambda_gap_list)+self.min_num_spks emb=eig_vecs[:,:num_of_spk]returnemb,num_of_spk

当不指定 oracle_num（即不知道说话人数）时：
计算特征值序列 λ -->寻找最大间隙（eigengap）-->推断说话人数量
这是谱聚类的核心优势：可以自动决定 k 值，而不像 KMeans 必须提前指定 k。很多场景我们都不知道一段音频有多少人说话。

5.KMeans 对谱嵌入空间聚类
经过上一轮特征聚类估计数量，我们可以使用k-means聚类。在低维嵌入空间（如 15～50 维）做 KMeans：1.低维空间结构清晰 2.类簇分布更接近球状 3.KMeans 的缺陷被极大弱化。这也是谱聚类比直接 KMeans 准确得多的原因。其他算法性能反而会下降，例如：