如何提升说话人识别的准确率

[chenfuckthesky]

在使用wespeaker的过程中，发现很多时候无法把说话人分离开，比如附件里的这个录音，是一男一女两个人在对话，音色的差别听上去还挺大的，但是最后测试的结果是下面这样的。所以我的问题是，有没有什么参数，比如相似度之类的，可以提升准确率。我仔细看了Speaker这个类，但是没有收获：

('unk', 0.1, 1.9, 0)
('unk', 2.0, 4.1, 0)
('unk', 4.7, 5.7, 0)
('unk', 29.8, 30.3, 0)
('unk', 32.5, 33.2, 0)
('unk', 33.5, 36.1, 0)
('unk', 36.5, 38.9, 0)
('unk', 40.3, 44.8, 0)
('unk', 45.1, 46.2, 0)
('unk', 46.9, 50.6, 0)
('unk', 50.7, 56.4, 0)
('unk', 58.3, 64.4, 0)
('unk', 67.2, 67.7, 0)
('unk', 67.9, 73.1, 0)
('unk', 73.9, 74.9, 0)
('unk', 76.9, 78.4, 0)
('unk', 78.9, 81.4, 0)
('unk', 83.6, 85.4, 0)
('unk', 88.5, 91.6, 0)
('unk', 91.7, 92.3, 0)
('unk', 92.6, 94.1, 0)
('unk', 94.3, 94.7, 0)
('unk', 94.8, 95.4, 0)

1ac0e486-68a2-11ee-a110-591e6b00846c-all.zip

[chenfuckthesky]

补充一下，这个录音是8K的，我把它重采样成16K的，结果也一样

[JiJiJiang]

音频是不是比较短？可以修改一下topk或者p的值，改得相对小一点，出更多人数的概率大一点！

[chenfuckthesky]

这个音频是100秒，应该不算短吧。因为我们的场景是客服和用户之间的通话，通常不会太长。你说的topk或者p值应该在哪个文件里改？我这边代码有去看了，但是实在是水平有限，在计算聚类的那几个文件里都没有找到

[JiJiJiang]

wespeaker/wespeaker/diar/spectral_clusterer.py

Line 33 in 310a158

def cluster(embeddings, p=.01, num_spks=None, min_num_spks=1, max_num_spks=20):