wespeaker-voxceleb-resnet34-LM

wespeaker-voxceleb-resnet34-LM

用 pyannote.audio 对 WeSpeaker ResNet34 模型的封装，把一段语音转成说话人嵌入向量，用来比较两个说话人有多像。适合语音和音频开发者。

由 pyannote 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是 pyannote.audio 对 WeSpeaker ResNet34 说话人嵌入模型的封装，该模型在 VoxCeleb 上训练。它把一段语音转成一个描述说话人的向量。你可以比较两个向量，看两个声音有多像。

模型卡称它需要 pyannote.audio 3.1 或更高版本。

适合谁：它适合开发说话人验证、说话人分离或声音搜索工具的开发者和研究者，他们想在 pyannote.audio 里用现成的说话人嵌入模型。

行业 | 谁在用 | 怎么用 | 例子
语音技术 | 开发者 | 比较两段录音是不是同一个说话人 | 检查两段音频是否同声
会议 | 产品团队 | 给录音里的发言者打标签 | 按说话人给片段分组
研究 | 语音研究者 | 为实验提取嵌入向量 | 在数据集中对说话人聚类
媒体 | 音频工程师 | 在长音频里找出同一个说话人的片段 | 抽出某位嘉宾的发言

如果你想一步得到完整的说话人分离流程，或者要做语音识别，可以跳过它，因为这个模型只产生嵌入向量。只对你有权处理的音频使用它。

用在哪里：这个模型通过 Python 里的 pyannote.audio 加载，可在 Windows、macOS 和 Linux 上用 CPU 或 CUDA GPU 运行。

• 使用 pyannote.audio 的 Python 脚本
• CUDA GPU，用来加快提取
• 整个文件、片段或滑动窗口的嵌入提取

用途 | 谁 | 得到什么
说话人比较 | 开发者 | 两个声音之间的余弦距离
片段嵌入 | 研究者 | 选定时间范围的向量
滑动窗口 | 说话人分离开发者 | 沿音频每个窗口一个向量

如何设置：你需要带 pip 的 Python 和 3.1 或更新版本的 pyannote.audio。模型卡展示了按 Hugging Face id 加载模型的方法。

• 带 pip 的 Python
• pyannote.audio 3.1 或更新版本
• scipy，如果你想用余弦距离的示例

1. 安装 Hugging Face hub 包。
2. 下载模型文件，或在代码里按 id 加载。
3. 为模型创建一个 Inference 对象。

pip install -U huggingface_hub
hf download pyannote/wespeaker-voxceleb-resnet34-LM

如何使用：你加载模型，把它包进 Inference 对象，再传入音频文件。用整文件窗口时，每个文件得到一个向量，你再用余弦距离比较两个向量。

# instantiate pretrained model
from pyannote.audio import Model
model = Model.from_pretrained("pyannote/wespeaker-voxceleb-resnet34-LM")

from pyannote.audio import Inference
inference = Inference(model, window="whole")
embedding1 = inference("speaker1.wav")
embedding2 = inference("speaker2.wav")
# `embeddingX` is (1 x D) numpy array extracted from the file as a whole.

from scipy.spatial.distance import cdist
distance = cdist(embedding1, embedding2, metric="cosine")[0,0]
# `distance` is a `float` describing how dissimilar speakers 1 and 2 are.

工具 | 作用
Model.from_pretrained | 加载说话人嵌入模型
整文件窗口的 Inference | 为整个文件给出一个嵌入向量
滑动窗口的 Inference | 每个窗口给出一个嵌入向量
inference.crop | 为一个片段给出嵌入向量

示例：你把两个 WAV 文件传给 Inference 对象，各得到一个向量。两者之间的余弦距离是一个数字，数字越小，说明两个声音越像。

新手与专家：如果你是新手，先用同一个人的两段短音频运行双文件示例，再换成两个不同人的一对。比较两次的距离。

如果你懂这个领域，滑动窗口模式返回 N 乘 D 的特征对象，每一行对应一个设定了时长和步长的窗口。这适合按说话人对这些窗口聚类的说话人分离流程。

按 id 加载模型
把它包进 Inference 对象
传入音频或片段
比较或聚类这些向量

注意事项：这个模型沿用其训练数据 VoxCeleb 的许可，所以使用 Creative Commons Attribution 4.0。模型卡还提到了面向生产使用的托管选项。

• License: cc-by-4.0
• Cost to run: 这个模型未提及费用
• Data it reaches: 你传入的音频文件，以及你下载的模型文件
• Not for: 用在你无权处理的声音上

Hugging Face 上的数据（2026年11月13日）

• 框架：pyannote-audio
• 最近 30 天下载：5,889,758
• 点赞：226
• 许可证：cc-by-4.0
• Quantized versions: 2
• Fine-tunes: 9
• 标签：pyannote-audio, pytorch, pyannote, pyannote-audio-model, wespeaker, audio, voice, speech, speaker, speaker-recognition, speaker-verification, speaker-identification

链接

• 模型：https://huggingface.co/pyannote/wespeaker-voxceleb-resnet34-LM
• 文件：https://huggingface.co/pyannote/wespeaker-voxceleb-resnet34-LM/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download pyannote/wespeaker-voxceleb-resnet34-LM

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。