超详细图解：一步步教你启动CAM++说话人识别服务

1. 引言：快速上手，零基础也能玩转语音识别

你是否想过，让机器听一段声音就能判断是不是同一个人在说话？这听起来像是科幻电影里的场景，但今天，它已经可以轻松实现。本文要带你使用的CAM++ 说话人识别系统，就是一个能“听声辨人”的强大工具。

这个系统由开发者“科哥”基于深度学习模型构建，部署简单、界面友好，支持语音比对和特征提取两大核心功能。无论你是AI新手，还是想快速搭建一个声纹验证原型，这篇图文并茂的教程都能帮你从零开始，10分钟内成功运行服务。

我们不会堆砌术语，而是像朋友聊天一样，一步步带你操作。准备好你的电脑，接下来，让我们一起点亮这项“听声识人”的黑科技。

2. 环境准备与服务启动

2.1 确认运行环境

在开始之前，请确保你已经通过CSDN星图平台或其他方式成功加载了名为CAM++一个可以将说话人语音识别的系统构建by科哥的镜像。该镜像已预装所有依赖项，包括Python环境、PyTorch框架以及CAM++模型本身，无需手动安装任何软件。

系统默认监听端口为7860，因此请确保该端口未被其他程序占用。

2.2 启动服务的两种方式

启动服务非常简单，只需执行一条命令即可。以下是两种常用方法：

方法一：使用快捷启动脚本（推荐）

进入项目目录并运行启动脚本：

cd /root/speech_campplus_sv_zh-cn_16k bash scripts/start_app.sh

方法二：直接运行主启动脚本

你也可以直接调用根目录下的运行脚本：

/bin/bash /root/run.sh

执行后，终端会输出一系列日志信息，显示模型加载、服务初始化的过程。当看到类似Running on local URL: http://localhost:7860的提示时，说明服务已成功启动。

重要提示：首次运行可能需要几十秒时间加载模型，请耐心等待，不要中断进程。

3. 访问Web界面并熟悉功能布局

3.1 打开浏览器访问服务

服务启动成功后，在本地或远程浏览器中输入以下地址：

http://localhost:7860

如果你是在云服务器上部署的，记得将localhost替换为实际的公网IP地址，并确保安全组开放了7860端口。

稍等片刻，你会看到一个简洁明了的中文界面，标题为“CAM++ 说话人识别系统”，页面顶部还标注了“webUI二次开发 by 科哥”。

3.2 页面功能区域概览

整个界面分为三个主要标签页，结构清晰，操作直观：

说话人验证：上传两段音频，判断是否为同一人。
特征提取：提取单个或多个音频的192维声纹特征向量。
关于：查看系统说明和技术文档。

页面底部显示了技术栈信息，确认使用的是来自ModelScope的damo/speech_campplus_sv_zh-cn_16k-common模型，保证了识别的准确性。

4. 功能实战一：说话人验证（判断是否为同一人）

这是最核心的功能，适用于身份核验、登录验证等场景。

4.1 切换到“说话人验证”页面

点击顶部导航栏的“说话人验证”标签，进入操作界面。

你会看到两个上传区域：

音频 1（参考音频）
音频 2（待验证音频）

支持点击“选择文件”上传本地.wav、.mp3等格式的音频，也支持点击“麦克风”图标直接录音。

4.2 使用内置示例快速测试

为了方便体验，系统提供了两个预设示例：

示例 1：speaker1_a.wav+speaker1_b.wav—— 同一人，预期结果为“是同一人”
示例 2：speaker1_a.wav+speaker2_a.wav—— 不同人，预期结果为“不是同一人”

点击任意示例按钮，系统会自动填充两段音频，省去手动上传步骤。

4.3 调整相似度阈值（可选）

下方有一个“相似度阈值”滑块，默认值为0.31。

数值越高，判定越严格，更不容易通过验证（适合高安全性场景）
数值越低，判定越宽松，更容易通过验证（适合初步筛选）

你可以根据实际需求微调此参数。例如银行级验证建议设置为0.5以上。

4.4 开始验证并查看结果

点击“开始验证”按钮，系统会在几秒钟内完成比对，并返回结果：

相似度分数：如0.8523，数值越接近1表示越相似
判定结果：✅ 是同一人或 ❌ 不是同一人

系统还会给出通俗解读：

> 0.7：高度相似，很可能是同一人
0.4 - 0.7：中等相似，可能是同一人
< 0.4：不相似，不太可能是同一人

同时，若勾选了“保存 Embedding 向量”和“保存结果到 outputs 目录”，相关数据将自动归档。

5. 功能实战二：特征提取（获取声纹向量）

除了比对，你还可以提取音频的深层特征——192维的Embedding向量，用于后续分析或构建数据库。

5.1 单个文件特征提取

切换到“特征提取”标签页
在“单个文件提取”区域上传一段音频
点击“提取特征”按钮

结果将显示：

文件名
Embedding维度：(192,)
数据类型：float32
统计信息：均值、标准差、最大最小值
前10维数值预览

这些信息有助于你了解特征分布情况。

5.2 批量提取多个音频特征

对于需要处理大量音频的场景，可使用“批量提取”功能：

点击“批量提取”区域的上传框
一次性选择多个音频文件（支持拖拽）
点击“批量提取”按钮

系统会依次处理每个文件，并列出每项的提取状态：

成功：显示(192,)
失败：显示具体错误原因（如格式不支持、文件损坏等）

所有成功提取的向量将以.npy格式保存，文件名与原音频一致。

6. 输出文件与结果管理

每次执行验证或提取操作，系统都会在outputs/目录下创建一个以时间戳命名的新文件夹，避免覆盖历史数据。

典型的输出结构如下：

outputs/ └── outputs_20260104223645/ ├── result.json └── embeddings/ ├── audio1.npy └── audio2.npy

6.1 result.json：验证结果详情

该JSON文件记录了完整的比对信息，示例如下：

{ "相似度分数": "0.8523", "判定结果": "是同一人", "使用阈值": "0.31", "输出包含 Embedding": "是" }

可用于后续自动化分析或集成到其他系统中。

6.2 .npy 文件：Embedding向量存储

所有特征向量均以NumPy数组格式保存，便于Python程序读取：

import numpy as np emb = np.load('embedding.npy') print(emb.shape) # 输出: (192,)

这些向量可用于：

计算余弦相似度
构建声纹数据库
进行聚类分析
输入到其他机器学习模型

7. 高级使用技巧与常见问题解答

7.1 如何计算两个Embedding的相似度？

即使不在界面上比对，你也可以用代码手动计算两个向量的相似度。推荐使用余弦相似度：

import numpy as np def cosine_similarity(emb1, emb2): emb1_norm = emb1 / np.linalg.norm(emb1) emb2_norm = emb2 / np.linalg.norm(emb2) return np.dot(emb1_norm, emb2_norm) # 示例用法 emb1 = np.load('outputs/embeddings/audio1.npy') emb2 = np.load('outputs/embeddings/audio2.npy') similarity = cosine_similarity(emb1, emb2) print(f'相似度: {similarity:.4f}')

结果范围在-1到1之间，通常取绝对值，越接近1越相似。