---
title: speech_eres2netv2w24s4ep4_sv_zh-cn_16k
canonical_url: "https://www.modelscope.cn/models/Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k"
md_url: "https://www.modelscope.cn/models/Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k.md"
repository: Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k
last_updated: 2025-02-09
license: "Apache License 2.0"
pipeline_tag: speaker-verification
tasks:
  - speaker-verification
library_name:
  - onnx
  - pytorch
frameworks:
  - Pytorch
downloads: 990
stars: 9
---

# speech_eres2netv2w24s4ep4_sv_zh-cn_16k

> speech_eres2netv2w24s4ep4_sv_zh-cn_16k - Frankee 在 ModelScope 开源的模型。speech_eres2netv2w24s4ep4_sv_zh-cn_16k的onnx导出

Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k 是 ModelScope 魔搭社区上的speaker-verification模型，采用 Apache License 2.0 许可。

- **Repository**: Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k
- **License**: Apache License 2.0
- **Tasks**: speaker-verification
- **Downloads**: 990
- **Stars**: 9
- **Last updated**: 2025-02-09

Source: https://www.modelscope.cn/models/Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k

---

## 模型简介

这是一个用于说话人声纹识别的 ERes2Net v2 模型，已转换为 ONNX 格式以获得更好的推理性能。该模型专注于高性能的声纹特征提取，适用于各类声纹识别应用场景。

## 获取方式

您可以通过以下方式获取模型：

1. 直接克隆本仓库：
```bash
git clone https://www.modelscope.cn/Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k.onnx.git
```

2. 使用 ModelScope SDK：
```python
# 安装 ModelScope
pip install modelscope

# 下载模型
from modelscope import snapshot_download
model_dir = snapshot_download('Frankee/speech_eres2netv2w24s4ep4_sv_zh-cn_16k.onnx.git')
```

### 模型架构
- 模型：ERes2Net v2
- 基础宽度：24
- 缩放因子：4
- 扩展因子：4
- 嵌入维度：192

### 技术规格
- 框架：ONNX
- 推理后端：ONNX Runtime GPU
- 采样率：16kHz
- 输入格式：16位 PCM 音频
- 输出维度：192维声纹特征向量

## 版本说明

当前版本：v1.0.0
- 初始 ONNX 转换版本
- 优化 GPU 推理性能
- 支持批量推理

## 使用方法

### 环境要求
- CUDA 12.x
- ONNX Runtime GPU 1.19.0+
- cuDNN 8.x

### 推理示例
```python
import onnxruntime as ort
import numpy as np

# 创建推理会话
providers = ['CUDAExecutionProvider', 'CPUExecutionProvider']
session = ort.InferenceSession("speech_eres2netv2w24s4ep4_sv_zh-cn_16k.onnx", providers=providers)

# 准备输入数据（假设已经完成了音频预处理）
# input_data 应该是一个 float32 类型的 numpy 数组
# shape: [1, audio_length]
input_data = np.random.randn(1, 48000).astype(np.float32)  # 示例：3秒音频

# 运行推理
embedding = session.run(None, {"input": input_data})[0]

# 输出维度：[1, 192]
print(f"声纹特征维度: {embedding.shape}")
```

### 性能说明
- GPU 推理时间：~10ms (音频长度 3s)
- CPU 推理时间：~50ms (音频长度 3s)
- 模型大小：约 15MB
- 内存占用：约 500MB (GPU 模式)

### 最佳实践
1. 音频预处理：
   - 采样率转换到 16kHz
   - 音频长度建议 2-10 秒
   - 音频格式转换为 float32，范围归一化到 [-1, 1]

2. 性能优化：
   - 使用 GPU 推理可获得最佳性能
   - 支持批量推理，batch_size 建议不超过 32
   - 第一次推理会有初始化开销，建议预热

## 许可证
Apache License 2.0

## 引用
如果您使用了这个模型，请引用以下论文：
```
@inproceedings{eres2net,
  title={An Enhanced Res2Net with Local and Global Feature Fusion for Speaker Verification},
  author={Zhou, Xu and Wang, Dongzhou and Zeng, Zhenghua and Liu, Yuexian},
  booktitle={INTERSPEECH},
  year={2021}
}
```