CAM++语音聚类实战：K-Means结合Embedding应用

1. 为什么语音聚类值得你花10分钟了解

你有没有遇到过这样的场景：手头有几十段会议录音，每段里都有不同人发言，但没人告诉你谁说了什么；或者客服中心每天产生上百通电话，想自动把同一客户的声音归到一起，却只能靠人工反复听辨？

传统做法要么耗时耗力，要么效果粗糙。而今天要聊的这套方案——用CAM++提取语音Embedding，再用K-Means做聚类——能让你在不依赖文字转录、不训练新模型的前提下，仅凭声音本身就把说话人自动分组。

这不是理论推演，而是科哥实测跑通的轻量级落地路径：5行核心代码 + 一个预训练模型 + 本地就能跑通。它不追求学术SOTA，但足够解决真实业务中“先粗筛、再精标”的刚需。

更关键的是，整个流程完全开源、无需GPU、对小白友好。接下来我会带你从零开始，把一段段音频变成可聚类的数字向量，再让机器自动告诉你：“这8段声音大概率来自3个人”。

2. 先搞懂CAM++到底在做什么

2.1 它不是语音识别，而是“声纹翻译器”

很多人第一眼看到CAM++会误以为它是ASR（语音识别），其实完全不是一回事。

ASR干的事：把“你好啊”这三个字的发音，翻译成文字“你好啊”
CAM++干的事：把“你好啊”这段3秒语音，压缩成一串192个数字组成的向量（比如[0.12, -0.45, 0.88, ..., 0.03]），这个向量就像人的“声纹身份证”——同一个人不同时间说的句子，生成的向量彼此靠近；不同人说的，向量就离得远。

你可以把它理解成一种“语音的数学指纹”。它不关心你说什么，只关心你是谁。

2.2 为什么选CAM++而不是其他模型

市面上说话人识别模型不少，但CAM++在中文场景下有几个实在优势：

专为中文优化：在CN-Celeb测试集上EER（等错误率）仅4.32%，比很多通用模型低2~3个百分点
轻量高效：单次特征提取平均耗时不到0.8秒（CPU i7-11800H），适合批量处理
开箱即用：科哥打包的webUI版本，连Docker都不用装，一行命令就能启动
输出稳定：192维向量数值范围集中（均值接近0，标准差约0.12），特别适合后续聚类算法

小贴士：别被“192维”吓到。它不像图像动辄上万维，这个维度对K-Means来说非常友好——既保留了足够区分度，又不会因维度灾难导致聚类失真。

3. 从音频到向量：三步提取Embedding

3.1 启动系统，确认环境就绪

打开终端，进入CAM++项目目录：

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

等待终端输出类似Running on local URL: http://127.0.0.1:7860的提示后，在浏览器打开该地址。如果看到标题为“CAM++ 说话人识别系统”的界面，说明一切准备就绪。

注意：如果你用的是远程服务器，把127.0.0.1换成你的服务器IP，并确保7860端口已开放。

3.2 批量上传音频，一键提取特征

点击顶部导航栏的「特征提取」页签，你会看到两个区域：

单个文件提取：适合调试或少量文件
批量提取：这才是我们聚类要用的核心功能

我们直接使用批量提取：

点击「选择文件」按钮，一次性选中你要聚类的所有音频（支持WAV/MP3/M4A，推荐用16kHz WAV）
勾选「保存 Embedding 到 outputs 目录」
点击「批量提取」

几秒钟后，页面会显示每个文件的状态。成功提取的文件，会在右侧列出其.npy文件名和维度(192,)。

此时，你的outputs/目录下已经生成了对应数量的.npy文件，比如：

outputs/ └── outputs_20260104223645/ └── embeddings/ ├── meeting_01.npy ├── meeting_02.npy ├── customer_a_call_1.npy └── customer_a_call_2.npy

3.3 验证向量质量：用Python快速检查

在终端中运行以下代码，确认向量是否正常加载：

import numpy as np import os # 加载第一个embedding emb_path = "outputs/outputs_20260104223645/embeddings/meeting_01.npy" emb = np.load(emb_path) print(f"文件路径: {emb_path}") print(f"向量形状: {emb.shape}") # 应输出 (192,) print(f"数值范围: [{emb.min():.3f}, {emb.max():.3f}]") print(f"均值: {emb.mean():.3f}, 标准差: {emb.std():.3f}")

正常输出应类似：

文件路径: outputs/outputs_20260104223645/embeddings/meeting_01.npy 向量形状: (192,) 数值范围: [-1.243, 1.876] 均值: 0.002, 标准差: 0.118

只要形状是(192,)，且数值不过于发散（如标准差没超过0.3），就可以放心进入下一步。

4. K-Means聚类实战：5行代码完成说话人分组

4.1 准备数据：把所有.npy文件读成矩阵

新建一个cluster.py文件，写入以下内容：

import numpy as np import os from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 1. 自动发现所有embedding文件 embed_dir = "outputs/outputs_20260104223645/embeddings/" emb_files = [f for f in os.listdir(embed_dir) if f.endswith(".npy")] # 2. 加载所有向量，堆叠成 (N, 192) 矩阵 embeddings = [] filenames = [] for f in emb_files: emb = np.load(os.path.join(embed_dir, f)) embeddings.append(emb) filenames.append(f.replace(".npy", "")) X = np.vstack(embeddings) # 形状: (N, 192) print(f"共加载 {len(filenames)} 个向量，矩阵形状: {X.shape}")

运行后你会看到类似：

共加载 12 个向量，矩阵形状: (12, 192)

4.2 标准化 + 聚类：两步搞定

继续在cluster.py中添加：

# 3. 标准化（重要！K-Means对量纲敏感） scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 4. 执行K-Means聚类（这里假设你预估有3个说话人） kmeans = KMeans(n_clusters=3, random_state=42, n_init=10) labels = kmeans.fit_predict(X_scaled) # 5. 输出分组结果 print("\n=== 说话人聚类结果 ===") for i, name in enumerate(filenames): print(f"{name:<20} → 群组 {labels[i]}")

运行结果示例：

=== 说话人聚类结果 === meeting_01 → 群组 0 meeting_02 → 群组 0 customer_a_call_1 → 群组 1 customer_a_call_2 → 群组 1 interview_b_part1 → 群组 2 interview_b_part2 → 群组 2 ...

你会发现，同一人的多段录音基本被分到了同一个群组里——这就是Embedding+K-Means的威力。

关键提醒：n_clusters参数需要你根据业务预估。如果不确定，可以用肘部法则（Elbow Method）或轮廓系数（Silhouette Score）辅助判断，文末附了完整代码。

4.3 可视化聚类效果（可选但强烈推荐）

加几行代码，把192维向量降到2D看一眼：

from sklearn.decomposition import PCA import matplotlib.pyplot as plt # PCA降维到2D pca = PCA(n_components=2) X_2d = pca.fit_transform(X_scaled) # 绘图 plt.figure(figsize=(10, 6)) scatter = plt.scatter(X_2d[:, 0], X_2d[:, 1], c=labels, cmap='tab10', s=100, alpha=0.8) plt.colorbar(scatter) for i, name in enumerate(filenames): plt.annotate(name[:8], (X_2d[i, 0], X_2d[i, 1]), fontsize=9, ha='center') plt.title("语音Embedding聚类可视化（PCA降维）") plt.xlabel(f"PC1 ({pca.explained_variance_ratio_[0]:.2%} 方差)") plt.ylabel(f"PC2 ({pca.explained_variance_ratio_[1]:.2%} 方差)") plt.grid(True, alpha=0.3) plt.show()

你会看到清晰的3簇点云，彼此分离明显——这说明Embedding质量高，聚类结果可信。

5. 实战调优：让聚类更准、更稳

5.1 怎么确定最佳聚类数K？

别猜，用轮廓系数验证：

from sklearn.metrics import silhouette_score sil_scores = [] K_range = range(2, min(8, len(filenames))) for k in K_range: kmeans_test = KMeans(n_clusters=k, random_state=42, n_init=10) labels_test = kmeans_test.fit_predict(X_scaled) score = silhouette_score(X_scaled, labels_test) sil_scores.append(score) print(f"K={k} → 轮廓系数: {score:.3f}") best_k = K_range[np.argmax(sil_scores)] print(f"\n推荐聚类数: K = {best_k} (轮廓系数最高)")

运行后你会得到一组分数，选最高分对应的K值即可。通常在真实语音数据上，K=2~5之间就能找到明显拐点。

5.2 音频质量差？试试预过滤策略

不是所有音频都适合直接聚类。建议在提取Embedding前加一道轻量过滤：

静音检测：用pydub切掉开头结尾200ms静音
信噪比粗筛：计算RMS能量，剔除低于阈值的片段（如np.mean(np.abs(audio)) < 0.005）
时长校验：丢弃<2秒或>30秒的音频（CAM++对中等长度最鲁棒）

这些操作加起来不到10行代码，却能显著提升聚类纯度。

5.3 进阶玩法：用余弦距离替代欧氏距离

K-Means默认用欧氏距离，但语音Embedding更适合用余弦相似度。你可以改用AgglomerativeClustering：

from sklearn.cluster import AgglomerativeClustering from sklearn.metrics.pairwise import cosine_similarity # 计算余弦相似度矩阵 cos_sim = cosine_similarity(X_scaled) # 转为距离矩阵（1 - 相似度） distance_matrix = 1 - cos_sim # 层次聚类（更符合语音语义空间） clustering = AgglomerativeClustering( n_clusters=3, metric='precomputed', linkage='average' ) labels_hier = clustering.fit_predict(distance_matrix)

在小样本（<50段）时，这种方法往往比K-Means更稳定。