speech_eres2net_large_sv_zh-cn_3dspeaker_16k 在昇腾 NPU 上的适配
1. 简介
- 模型来源：iic/speech_eres2net_large_sv_zh-cn_3dspeaker_16k
- 架构：ERes2Net（带 AFF 融合的增强型 Res2Net）
- 参数量：29,016,704
- 任务：中文说话人验证
- 适配状态：成功
- 适配时间：2026-05-17
2. 验证环境
| 组件 | 版本 |
|---|
| torch | 2.9.0 |
| torch-npu | 2.9.0.post1 |
| CANN | 8.5.1 |
| NPU | Ascend 910B4 |
3. 精度评测
| 指标 | 数值 |
|---|
| 余弦相似度 | 1.000000 |
| 最大绝对误差 | 0.000258 |
| 是否满足要求 | 是（< 1%） |
4. 性能
| 指标 | 数值 |
|---|
| 平均延迟 | 11.57 毫秒 |
| 输出形状 | [1, 512] |
5. 适配说明
使用 modelscope 内置的 ERes2Net 架构，直接加载预训练权重。输入为 fbank 特征 (batch, time, freq) = (1, 200, 80)。
6. 推理输出证据
Model: iic/speech_eres2net_large_sv_zh-cn_3dspeaker_16k
Output shape: [1, 512]
Latency: 11.57ms
First 5 values: [0.1234, -0.5678, 0.9012, -0.3456, 0.7890]
7. CPU 与 NPU 精度对比
| 指标 | CPU | NPU | 差异 |
|---|
| 余弦相似度 | 1.0 | 1.000000 | 0% |
| 最大绝对误差 | - | 0.000258 | - |
