CAM++ WebUI使用手册：科哥开发的界面功能全解析

1. 系统简介与核心能力

CAM++ 是一个基于深度学习的说话人识别系统，由开发者“科哥”进行WebUI二次开发后，实现了直观、易用的操作界面。该系统能够精准判断两段语音是否来自同一说话人，并可提取音频中的192维声纹特征向量（Embedding），适用于身份验证、声纹数据库构建等实际场景。

访问地址：http://localhost:7860

系统运行截图如下：

1.1 核心功能一览

说话人验证：上传两段音频，自动比对是否为同一人
特征提取：提取单个或批量音频的192维Embedding向量
结果保存：支持将验证结果和特征向量自动保存到本地目录
阈值调节：灵活调整相似度判定标准，适应不同安全等级需求

2. 快速启动与环境准备

2.1 启动或重启应用

在终端中执行以下命令即可启动服务：

/bin/bash /root/run.sh

此脚本会自动拉起Web服务并监听端口。

2.2 手动进入项目目录启动（推荐用于调试）

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

启动成功后，在浏览器打开：http://localhost:7860

提示：首次加载可能需要几秒时间，请耐心等待页面渲染完成。

3. 功能一：说话人验证详解

3.1 功能说明

这是最常用的功能模块——通过对比两段语音的声纹特征，判断它们是否属于同一个说话人。适合用于登录验证、录音比对、身份核验等场景。

3.2 使用步骤详解

步骤 1：切换至「说话人验证」标签页

页面顶部导航栏点击【说话人验证】即可进入操作界面。

步骤 2：上传或录制音频

系统支持两种方式输入音频：

上传文件：点击“选择文件”按钮，从本地上传.wav,.mp3等格式音频
现场录音：点击“麦克风”图标，直接使用设备麦克风录制语音

建议使用清晰无噪音的16kHz WAV 文件，以获得最佳识别效果。

每段音频需分别上传：

音频 1（参考音频）：作为基准样本
音频 2（待验证音频）：与参考音频进行比对

步骤 3：配置高级选项（可选）

相似度阈值
默认值为0.31，数值越高判定越严格。
- 调低 → 更容易通过（宽松模式）
- 调高 → 更难通过（高安全模式）
勾选功能项
- ✅ 保存 Embedding 向量：将两个音频的特征向量一并保存
- ✅ 保存结果到 outputs 目录：生成结构化输出文件夹

步骤 4：点击「开始验证」

系统将在数秒内完成分析，并返回结果。

3.3 结果解读指南

输出内容包括：

项目	示例
相似度分数	`0.8523`
判定结果	✅ 是同一人

分数含义参考：

> 0.7：高度相似，极大概率是同一人
0.4 ~ 0.7：中等相似，可能是同一个人，建议结合上下文判断
< 0.4：不相似，基本可以排除为同一人

例如：

相似度分数: 0.8523 判定结果: ✅ 是同一人 (相似度: 0.8523)

这表示两段语音非常接近，系统高度确信来自同一说话人。

3.4 内置示例快速体验

为了方便新手上手，系统预置了两组测试音频：

示例 1：speaker1_a.wav + speaker1_b.wav → 同一人（应显示✅）
示例 2：speaker1_a.wav + speaker2_a.wav → 不同人（应显示❌）

点击对应示例按钮即可一键加载，无需手动上传。

4. 功能二：特征提取实战指南

4.1 功能价值说明

除了比对功能外，CAM++ 还能提取音频的192维声纹嵌入向量（Embedding），这些向量可用于：

构建企业级声纹库
实现多说话人聚类分析
自定义相似度计算逻辑
集成到其他AI系统中做二次处理

4.2 单文件特征提取流程

操作步骤：

切换到【特征提取】页面
点击“选择文件”，上传一段音频
勾选“保存 Embedding 到 outputs 目录”（建议开启）
点击「提取特征」

返回信息包含：

文件名
特征维度：(192,)
数据类型：float32
数值统计：均值、标准差、最大最小值
前10维数值预览（便于快速查看数据分布）

4.3 批量提取高效操作

当需要处理多个音频时，可使用「批量提取」功能：

在批量区域点击“选择文件”
多选多个音频文件（支持拖拽）
点击「批量提取」

系统将依次处理每个文件，并显示状态列表：

成功：✔️ 显示(192,)
失败：❌ 显示错误原因（如格式不支持、采样率异常等）

所有成功提取的向量将以原始文件名为基础，保存为.npy格式。

5. 输出管理与文件结构

5.1 输出目录组织方式

每次执行验证或提取任务，系统都会创建一个以时间戳命名的新目录，避免覆盖历史数据。

典型路径如下：

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

子目录说明：

result.json：本次任务的结果记录
embeddings/：存放所有生成的.npy特征文件

5.2 result.json 文件内容示例

{ "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" }

可用于后续程序读取和自动化分析。

5.3 Embedding 文件使用方法

.npy是 NumPy 的专用二进制格式，可通过 Python 轻松加载：

import numpy as np # 加载单个特征向量 emb = np.load('embedding.npy') print(emb.shape) # 输出: (192,)

6. 高级设置与调优建议

6.1 相似度阈值调整策略

默认阈值0.31适用于大多数通用场景，但可根据业务需求微调：

应用场景	推荐阈值范围	说明
银行/金融身份验证	0.5 - 0.7	宁可误拒也不误放，保障安全性
企业内部考勤核验	0.3 - 0.5	平衡准确率与用户体验
初步筛选或社交应用	0.2 - 0.3	提升通过率，降低门槛

注意：最佳阈值需根据实际测试数据反复验证确定。

6.2 如何提升识别准确性？

使用清晰录音，尽量减少背景噪声
保持两次录音的语速、语调一致
音频长度控制在3~10秒之间
统一使用16kHz 采样率的 WAV 格式

7. 常见问题解答（FAQ）

7.1 支持哪些音频格式？

理论上支持常见格式如 WAV、MP3、M4A、FLAC 等，但强烈建议使用16kHz 采样率的 WAV 文件，确保模型输入一致性，避免因解码差异影响结果。

7.2 音频时长有没有限制？

推荐时长3~10秒：

小于 2 秒：语音信息不足，特征提取不可靠
超过 30 秒：可能混入过多环境噪声或语调变化，反而降低精度

7.3 为什么判定结果不准？

常见原因及解决办法：

问题	解决方案
音质差、有杂音	更换安静环境重新录制
语调差异大（如一次正常说，一次大声喊）	保持语气稳定
音频采样率不符	转换为 16kHz 再上传
阈值设置不合理	根据场景调整阈值

7.4 Embedding 向量有什么用途？

Embedding 是语音的“数字指纹”，可用于：

计算任意两个音频之间的相似度
构建声纹数据库供检索比对
做聚类分析，发现未知说话人数量
输入到下游机器学习模型中做分类任务

7.5 如何手动计算两个 Embedding 的相似度？

使用余弦相似度是最常见的方法：

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('embedding_1.npy') emb2 = np.load('embedding_2.npy') similarity = cosine_similarity(emb1, emb2) print(f'相似度: {similarity:.4f}')

8. 页面功能布局说明

8.1 顶部标题区

显示关键信息：

系统名称：CAM++ 说话人识别系统
开发者声明：webUI二次开发 by 科哥 | 微信：312088415
版权承诺：永久开源，但请保留版权信息！

8.2 导航标签功能

说话人验证：核心比对功能入口
特征提取：获取Embedding向量的专业工具
关于：查看技术文档与版本信息

8.3 页脚信息

展示底层技术栈与原始模型来源，增强可信度。

9. 技术支持与版权声明

开发者：科哥
联系方式：微信312088415
开源承诺：本项目承诺永久免费开源使用
使用要求：请务必保留原作者版权信息，不得去除署名

10. 附录：模型技术参数

项目	说明
模型名称	CAM++ (Context-Aware Masking++)
训练数据规模	约 200,000 中文说话人
输入要求	WAV 格式，16kHz 采样率
特征输入	80 维 Fbank 特征
输出维度	192 维说话人嵌入向量
CN-Celeb 测试集 EER	4.32%