campplus.AXERA/
├── models/
│   ├── campplus.axmodel    # AX650 量化模型
│   └── model_meta.json
├── bin/
│   └── campplus_ax650      # C++ 可执行文件
├── python/
│   ├── campplus_sdk/       # 声纹 SDK（inference + clustering）
│   ├── example.py          # 验证 / 提取 / 聚类 demo
│   └── requirements.txt    # numpy torch torchaudio axengine
├── samples/                # 示例音频（ModelScope 官方示例）
├── run_ax650.sh            # 一键运行（Python / C++）
├── configuration.json
└── README.md

快速开始（AX650 板端）

bash

# 下载本仓库到板端后：
bash run_ax650.sh                     # C++ 1:1 说话人验证（samples 示例）
bash run_ax650.sh python              # Python 1:1 说话人验证
bash run_ax650.sh cpp a.wav b.wav     # C++ 自定义音频
bash run_ax650.sh python a.wav b.wav  # Python 自定义音频

Python 推理

环境

bash

conda create -n campplus python=3.10
conda activate campplus

# 安装 axengine (https://github.com/AXERA-TECH/pyaxengine/releases/latest)
pip install axengine-x.x.x-py3-none-any.whl

pip install -r python/requirements.txt

1:1 说话人验证

python3 python/example.py --models-dir models --wav1 a.wav --wav2 b.wav

输出 cosine 相似度（同人 ≈ 0.67，不同人 ≈ 0.06，越高越可能是同一说话人）：

cosine similarity: 0.6726

声纹提取 + 说话人聚类

python3 python/example.py --models-dir models --audio meeting.wav --diarize

按 1.5 s / 0.75 s 滑窗提取 embedding，谱聚类输出：

Speaker_0: [0.00 35.25]
Speaker_1: [35.25 70.47]

C++ 推理（bin/ 可执行文件）

bash

export LD_LIBRARY_PATH=/soc/lib:${LD_LIBRARY_PATH:-}
./bin/campplus_ax650 --models-dir models --wav1 a.wav --wav2 b.wav
./bin/campplus_ax650 --models-dir models --audio meeting.wav --output meeting.embed.bin

特征提取（kaldi-native-fbank，snip_edges=true / dither=0 / povey / mean_nor）与 Python 版（torchaudio kaldi fbank）逐点对齐（主机实测 cosine 0.99999986）；板端 C++ 与 Python 提取的 embedding cosine = 0.99999955。

性能（AX650N 实测）

指标	数值
NPU 单次推理（[1,360,80] → [1,192]）	2.559 ms（ax_run_model 实测）
C++ 端到端（fbank + NPU）	28.2 ms/chunk
Python 端到端（torchaudio fbank + axengine）	72.1 ms/chunk

RTF（vad_example.wav 70.47s / 93 chunks）

推理路径	耗时	RTF
C++	2.620 s	0.037
Python	6.71 s	0.095

RTF = 推理耗时 / 音频时长（不含模型加载，RTF < 1.0 即可实时）

精度（板端实测 vs ONNX 参考）

路径	cosine
C++ embedding vs ONNX（93 chunks）	0.9941（per-chunk min 0.9912）
Python axengine vs ONNX	0.9950 – 0.9966
1:1 验证（同人 speaker1_a/b）	0.6685（C++）/ 0.6668（Python），参考 ≈ 0.67
1:1 验证（不同人 speaker1_a/2_a）	0.0638（C++），参考 ≈ 0.06

模型转换复现

按 GitHub 仓库 model_convert 说明：ModelScope 权重 → ONNX（onnxsim/onnxslim，torch/ONNX cosine 1.0）→ 真实音频 FBank 校准（5 段真实语音 30 组）→ Pulsar2 U16+SmoothQuant 量化（embedding cosine 0.9957，gate 0.99）。

参考

3D-Speaker
3D-Speaker-MT.axera
campplus.AXERA（源码仓）
Magnetar — AXERA 模型部署 agent 工具

AXERA-TECH/campplus.AXERA

campplus.AXERA

支持模型

目录结构

快速开始（AX650 板端）

Python 推理

环境

1:1 说话人验证

声纹提取 + 说话人聚类

C++ 推理（bin/ 可执行文件）

性能（AX650N 实测）

RTF（vad_example.wav 70.47s / 93 chunks）

精度（板端实测 vs ONNX 参考）

模型转换复现

参考

AXERA-TECH/
campplus.AXERA