VoiceMatch

VoiceMatch是一个综合性语音处理工具包，集成了声纹识别和语音增强两大核心功能模块，旨在提供高质量的语音处理解决方案。

📋 目录

• 功能特点
• 项目结构
• 安装指南
• 使用方法
  • 声纹识别
  • 语音增强
• 模型说明
• 贡献指南
• 许可证

🌟 功能特点

声纹识别模块 (SpeakerRecognition)

• 声纹注册：支持用户声纹特征提取与注册
• 声纹识别：能够识别已注册用户的声音
• 说话人区分：区分不同说话人的声音
• 多种模型支持：包括CAMPPlus、ECAPA-TDNN、ERes2Net等先进声纹识别模型
• 图形界面：提供基于PySide6的用户友好界面
• Web界面：基于Gradio的Web交互界面

语音增强模块 (SpeechEnhance)

• 语音增强：去除背景噪音，提高语音清晰度
• 语音超分辨率：提升语音质量和采样率
• 批量处理：支持单文件和批量文件处理
• 多模型支持：包括MossFormer2系列高性能语音处理模型
• 图形界面：提供直观的用户界面
• 多平台支持：支持Windows、Linux和macOS

🗂️ 项目结构

VoiceMatch/
├── SpeakerRecognition/           # 声纹识别模块
│   ├── configs/                  # 模型配置文件
│   ├── mvector/                  # 声纹识别核心库
│   │   ├── data_utils/           # 数据处理工具
│   │   ├── infer_utils/          # 推理工具
│   │   ├── loss/                 # 损失函数
│   │   ├── metric/               # 评估指标
│   │   ├── models/               # 模型定义
│   │   ├── optimizer/            # 优化器
│   │   └── utils/                # 工具函数
│   ├── reference_gui_pyqt.py     # PySide6图形界面
│   └── webui_reference.py        # Gradio Web界面
│
├── SpeechEnhance/                # 语音增强模块
│   ├── checkpoints/              # 模型检查点
│   ├── dataloader/               # 数据加载器
│   ├── models/                   # 模型定义
│   │   ├── mossformer2_se/       # 语音增强模型
│   │   └── mossformer2_sr/       # 语音超分辨率模型
│   ├── utils/                    # 工具函数
│   ├── clearvoice.py             # 主接口类
│   ├── gui_speech_enhancement.py # 图形界面
│   ├── speech_enhancement.py     # 命令行工具
│   └── webui_speech_enhancement.py # Web界面
│
├── gui_speaker_recognize.sh      # 声纹识别GUI启动脚本
├── gui_speech_enhance.sh         # 语音增强GUI启动脚本
├── speech_enhance.sh             # 语音增强命令行启动脚本
└── requirements.txt              # 项目依赖

🔧 安装指南

环境要求

• Python 3.8+
• CUDA支持（推荐用于GPU加速，但非必须）
• 操作系统：Windows、Linux或macOS

安装步骤

1. 克隆仓库

git clone https://github.com/boomytc/VoiceMatch.git
cd VoiceMatch

2. 安装依赖

pip install -r requirements.txt

3. 下载预训练模型（首次运行时会自动下载）
   • 声纹识别模型将保存在 SpeakerRecognition/models/ 目录
   • 语音增强模型将保存在 SpeechEnhance/checkpoints/ 目录
     • MossFormer2_SE_48K（语音增强模型）
     • MossFormer2_SR_48K（语音超分辨率模型）

📚 使用方法

声纹识别

图形界面（推荐）

# Linux/macOS
./gui_speaker_recognize.sh

# Windows
bash gui_speaker_recognize.sh

Web界面

cd SpeakerRecognition
python webui_reference.py

主要功能

1. 声纹注册：录制或上传音频，为用户注册声纹
2. 声纹识别：上传音频，识别说话人身份
3. 声纹库管理：查看、删除已注册的声纹

语音增强

图形界面（推荐）

# Linux/macOS
./gui_speech_enhance.sh

# Windows
bash gui_speech_enhance.sh

命令行工具

# 单文件处理
./speech_enhance.sh 输入文件路径 -se -sr

# 批量处理
./speech_enhance.sh 输入目录路径 -se -sr

参数说明：

• -se：执行语音增强
• -sr：执行语音超分辨率
• -o 输出路径：指定输出文件路径（仅单文件模式）

Web界面

cd SpeechEnhance
python webui_speech_enhancement.py

🧠 模型说明

声纹识别模型

VoiceMatch支持多种先进的声纹识别模型：

1. CAMPPlus：默认模型，提供出色的声纹识别性能和较低的计算需求
2. ECAPA-TDNN：适用于复杂环境下的声纹识别
3. ERes2Net：提供最高精度的声纹识别，但计算需求较高

模型配置文件位于 SpeakerRecognition/configs/ 目录。

语音增强模型

VoiceMatch集成了多种语音处理模型：

1. MossFormer2_SE_48K：48kHz语音增强模型，用于去除背景噪音
2. MossFormer2_SR_48K：48kHz语音超分辨率模型，用于提升音频质量