---
title: speech_eres2net_large_five_lre_16k
canonical_url: "https://www.modelscope.cn/models/iic/speech_eres2net_large_five_lre_16k"
md_url: "https://www.modelscope.cn/models/iic/speech_eres2net_large_five_lre_16k.md"
repository: iic/speech_eres2net_large_five_lre_16k
chinese_name: "ERes2Net-large语种识别-中英粤日韩识别-16k"
last_updated: 2023-12-18
license: "Apache License 2.0"
pipeline_tag: speech-language-recognition
tasks:
  - speech-language-recognition
model_type:
  - ERes2Net
library_name:
  - pytorch
frameworks:
  - pytorch
language:
  - cn
domain:
  - audio
downloads: 13738
stars: 4
tags:
  - "speech language recognition"
  - ERes2Net-Large
  - "中英粤日韩语种识别"
---

# speech_eres2net_large_five_lre_16k

> speech_eres2net_large_five_lre_16k - iic 在 ModelScope 开源的模型。基于ERes2Net-Large的中英粤日韩16k语种识别模型，输入音频文件，输出语种识别标签，可用于下游ASR以及TTS任务。

iic/speech_eres2net_large_five_lre_16k 是 ModelScope 魔搭社区上的speech-language-recognition模型，采用 Apache License 2.0 许可。

- **Repository**: iic/speech_eres2net_large_five_lre_16k
- **License**: Apache License 2.0
- **Tasks**: speech-language-recognition
- **Tags**: speech language recognition, ERes2Net-Large, 中英粤日韩语种识别
- **Downloads**: 13738
- **Stars**: 4
- **Last updated**: 2023-12-18

Source: https://www.modelscope.cn/models/iic/speech_eres2net_large_five_lre_16k

---

## ERes2Net 语种识别模型
ERes2Net模型结合全局特征和局部特征，从而提高说话人识别性能。局部特征融合将一个单一残差块内的特征融合提取局部信号；全局特征融合使用不同层级输出的不同尺度声学特征聚合全局信号。ERes2Net-Large是参数量较大的ERes2Net模型，参数量为18.3M。
## 模型简述
ERes2Net局部融合如下图黄色部分所示，使用Attentianal feature fusion阶梯式融合各分组特征来增强局部信息连接，获取更细粒度特征；全局融合如下图绿色部分所示，通过自底向上的全局特征融合来增强说话人信息。

<div align=center>
<img src="images/ERes2Net_architecture.png" width="700" />
</div>

更详细的信息见
- ERes2Net论文：[An Enhanced Res2Net with Local and Global Feature Fusion for Speaker Verification](https://arxiv.org/abs/2305.12838)
- github项目地址：[3D-Speaker](https://github.com/alibaba-damo-academy/3D-Speaker)


## 模型效果评估
在集外10s长的各语种识别准确率89%。

# 如何快速体验模型效果
## 在Notebook中体验
对于有开发需求的使用者，特别推荐您使用Notebook进行离线处理。先登录ModelScope账号，点击模型页面右上角的“在Notebook中打开”按钮出现对话框，首次使用会提示您关联阿里云账号，按提示操作即可。关联账号后可进入选择启动实例界面，选择计算资源，建立实例，待实例创建完成后进入开发环境，输入api调用实例。
``` python
from modelscope.pipelines import pipeline
lre_pipeline = pipeline(
    task='speech-language-recognition',
    model='damo/speech_eres2net_large_five_lre_16k',
    model_revision='v1.0.1'
)
example_wav = 'https://modelscope.cn/api/v1/models/damo/speech_eres2net_base_mej_lre_16k_common/repo?Revision=master&FilePath=examples/example_lre_mand_16k.wav'
# 识别语种
result = lre_pipeline(example_wav)
print(result)
```
## 训练和测试自己的ERes2Net-Base语种模型
本项目已在[3D-Speaker](https://github.com/alibaba-damo-academy/3D-Speaker)开源了训练、测试和推理代码，使用者可按下面方式下载安装使用：
``` sh
git clone https://github.com/alibaba-damo-academy/3D-Speaker.git && cd 3D-Speaker
conda create -n 3D-Speaker python=3.8
conda activate 3D-Speaker
pip install -r requirements.txt
```

运行ERes2Net语种识别样例
``` sh
cd egs/3dspeaker/language-identification
# 变换模型结构ERes2Net
# 需要在run.sh中提前配置训练使用的GPU信息，默认是4卡
bash run.sh
```


## 相关论文以及引用信息
如果你觉得这个该模型有所帮助，请引用下面的相关的论文
```BibTeX
@inproceedings{chen2023enhanced,
  title={An Enhanced Res2Net with Local and Global Feature Fusion for Speaker Verification},
  author={Chen, Yafeng and Zheng, Siqi and Wang, Hui and Cheng, Luyao and Chen, Qian and Qi, Jiajun},
  year={2023},
  booktitle={INTERSPEECH}
}
```

## 3D-Speaker 开发者社区钉钉群
<div align=left>
<img src="images/ding.jpg" width="280" />
</div>