PyTorch + Catalyst实现的“ 。 该存储库处理培训过程。 为了进行推断，请检出GUI包装器：PyQT中的 。 该储存库已与合并为。 目录 要求 计算方式 我们在1050 Mobile和Tesla V100的两个GPU上运行了该程序。 我们没有进行任何基准测试，但是V100的速度大约提高了400倍。 它还取决于您下载的数据量。 因此，任何服务器级GPU都是可行的。 贮存 该程序确实会生成很多文件（下载和其他方式）。 每个音频文件的大小为96kiB。 对于7k独特的音频剪辑，并以70/30的比例进行火车和验证拆分，它占用了约120GiB的存储空间。 因此，如果您下载更多音频片段，则至少为1TB 。 记忆 至少需要4GB VRAM 。 它可以处理2个批处理大小。在20个批处理大小下，在两个GPU上，每个GPU占用16GiB VRAM。 设置 如果您使用的是Docker，则

DFT的matlab源代码频谱图 提取音频信号（wav）并将其转换为频谱图。 用Go编程语言编写。 安装 git克隆 例子 python3 sine_wav.py && ../../xigh/spectrogram/spectrogram -hamming -hideavg -bins = 256 sine.wav 用法 ./specgramgram [options] input_file.wav -preemp float64 set pre-emphasis parameter (0 means no pre-emp) -rectangle disable hamming window support -BG0 string set background color 0 (default "000000") -BG1 string set background color 1 (default "333") -BG2 string set background color 2 (default "447744") -FG0 string set forground color 0

基于Pytorch实现的EcapaTdnn声纹识别，训练中文数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

基于Pytorch实现的EcapaTdnn声纹识别，训练超大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

基于PaddlePaddle实现的EcapaTdnn声纹识别，训练超大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/develop

基于Pytorch实现的EcapaTdnn声纹识别，训练更大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

基于PaddlePaddle实现的EcapaTdnn声纹识别，训练更大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/develop

基于PaddlePaddle实现的EcapaTdnn声纹识别超大数据模型，这个模型使用的是声谱图(spectrogram） 注意是release/1.0分支，源码地址是：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/release/1.0

基于PaddlePaddle实现的EcapaTdnn声纹识别超大数据模型，这个模型使用的是声谱图（spectrogram） 注意是release/1.0分支，源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle/tree/release/1.0

spectrogram