照片录音里有没有我
现在
偶尔用 · 上次使用 10 月 31 日 15:37
10 月 28 日—11 月 3 日 AI 用了 3 次
截至 11 月 3 日 · AI 使用记录

指定一张照片、几张照片、一段录音或一个视频,它判断里面有没有我:照片里指出是哪张脸,录音里逐句标出哪几句是我说的。只回答“有没有我”,不认别人是谁。

这样说就行

“这张照片里有我吗?”

“这 5 张里哪几张有我?”

“这段通话录音里,哪几句是我说的?”

“这个视频里说话的是不是我?”

照片录音里有没有我
现在
偶尔用 · 上次使用 10 月 31 日 15:37
10 月 28 日—11 月 3 日 AI 用了 3 次
截至 11 月 3 日 · AI 使用记录

指定一张照片、几张照片、一段录音或一个视频,它判断里面有没有我:照片里指出是哪张脸,录音里逐句标出哪几句是我说的。只回答“有没有我”,不认别人是谁。

这样说就行

“这张照片里有我吗?”

“这 5 张里哪几张有我?”

“这段通话录音里,哪几句是我说的?”

“这个视频里说话的是不是我?”

怎么判断
照片
1
找脸:
本机用 YuNet 找出照片里每一张脸。
2
比一比:
用 SFace 把每张脸和我的人脸模板比,门槛是官方给的固定值 0.363,不按这张图调。
3
给结论:
有我(指出第几张脸、框在哪)/没检出我/判断不了(没脸、太小、太糊)。
录音和视频
1
先看有没有现成的:
这段录音以前查过、结果还有效,就直接用。
2
没有就交给中文语音转写:
本机 Paraformer 分出带时间的句子,每个说话人挑一两句清楚的,用 CAM++ 声纹和我的声音样本比,再结合声道、通话里谁是谁、说了什么。
3
逐句给结论:
每句标成我、别人或判断不了;没比过声音的句子靠上下文判,判不了就标判断不了;视频只听声音,不看画面。

一例(真事,9 月底写这页时按技能实跑的旧结果,之后没有重跑):拿同一次出游的 7 张照片试,6 张各检出 1 张脸,都判为我;1 张没检出能比的脸,结论是判断不了。

结果怎么才算数
  • 换掉或删掉人脸模板、声音样本后,旧模板下的判断不再作数,旧回执不当现行依据,以后按新模板重新比。
  • 声音比对要“留出”:拿来做声音样本的录音,不能再当被判断的那段(--require-held-out)。
  • 声音证据精确到每一句自己的起止时间(毫秒),不拿一段更宽的片段充数;以前查过的结果只答它覆盖的时间段。
  • 判断不了就标 unknown:没脸、解码或对齐失败、看不清都不算“不是我”。每份结果写明实际比过哪些脸、哪些时间段,没覆盖到的缺口照实列出,因为它可能推翻结论。
  • 也可能是运行环境对不上:照片比对只能用 Python 3.11 的用户安装(OpenCV 只装在那里),人脸模板绑定精确的 cv2.__version__,版本不一致就返回 opencv_version_mismatch,这次判断不了,不硬比(11 月 4 日读技能说明,入口文件都在,没有跑比对,当前版本配不配对没有核)。
怎么判断
照片
1
找脸:
本机用 YuNet 找出照片里每一张脸。
2
比一比:
用 SFace 把每张脸和我的人脸模板比,门槛是官方给的固定值 0.363,不按这张图调。
3
给结论:
有我(指出第几张脸、框在哪)/没检出我/判断不了(没脸、太小、太糊)。
录音和视频
1
先看有没有现成的:
这段录音以前查过、结果还有效,就直接用。
2
没有就交给中文语音转写:
本机 Paraformer 分出带时间的句子,每个说话人挑一两句清楚的,用 CAM++ 声纹和我的声音样本比,再结合声道、通话里谁是谁、说了什么。
3
逐句给结论:
每句标成我、别人或判断不了;没比过声音的句子靠上下文判,判不了就标判断不了;视频只听声音,不看画面。

一例(真事,9 月底写这页时按技能实跑的旧结果,之后没有重跑):拿同一次出游的 7 张照片试,6 张各检出 1 张脸,都判为我;1 张没检出能比的脸,结论是判断不了。

结果怎么才算数
  • 换掉或删掉人脸模板、声音样本后,旧模板下的判断不再作数,旧回执不当现行依据,以后按新模板重新比。
  • 声音比对要“留出”:拿来做声音样本的录音,不能再当被判断的那段(--require-held-out)。
  • 声音证据精确到每一句自己的起止时间(毫秒),不拿一段更宽的片段充数;以前查过的结果只答它覆盖的时间段。
  • 判断不了就标 unknown:没脸、解码或对齐失败、看不清都不算“不是我”。每份结果写明实际比过哪些脸、哪些时间段,没覆盖到的缺口照实列出,因为它可能推翻结论。
  • 也可能是运行环境对不上:照片比对只能用 Python 3.11 的用户安装(OpenCV 只装在那里),人脸模板绑定精确的 cv2.__version__,版本不一致就返回 opencv_version_mismatch,这次判断不了,不硬比(11 月 4 日读技能说明,入口文件都在,没有跑比对,当前版本配不配对没有核)。
能做的事
照片里指出哪张脸是我
给出脸的编号和框的位置
一次查一小批照片
一次最多 20 张,要一张张点名
录音逐句分出我和别人
每句标我、别人或判断不了,带时间
视频只听声音
一次一个,只看音轨里有没有我在说话
看不清就说判断不了
没脸、太小、太糊、太短、太吵,都不硬判
查过的不重跑
同一段录音已有有效结果,直接复用
能做的事
照片里指出哪张脸是我
给出脸的编号和框的位置
一次查一小批照片
一次最多 20 张,要一张张点名
录音逐句分出我和别人
每句标我、别人或判断不了,带时间
视频只听声音
一次一个,只看音轨里有没有我在说话
看不清就说判断不了
没脸、太小、太糊、太短、太吵,都不硬判
查过的不重跑
同一段录音已有有效结果,直接复用
边界
它管的
只回答“这张照片、这段录音里有没有我”。
照片和声音分开判断:可能出现了没说话,也可能说了话没入镜,不合成一个结论。
我的人脸模板和声音样本只在本机,只有一份;删掉或换掉,以后的判断就跟着变,旧结果不再作数。
它不管的
不认别人是谁,也不数一共有几个人。
不扫相册、文件夹:先用找照片和录音挑出几件,再交给它。
不从要判断的那段录音里学我的声音。
不读照片上的字(那是本地文字识别的事)。
结果只是本机的推断,不当身份证明用。
不把模板、声纹、比对分数传出去或写进别的库。
边界
它管的
只回答“这张照片、这段录音里有没有我”。
照片和声音分开判断:可能出现了没说话,也可能说了话没入镜,不合成一个结论。
我的人脸模板和声音样本只在本机,只有一份;删掉或换掉,以后的判断就跟着变,旧结果不再作数。
它不管的
不认别人是谁,也不数一共有几个人。
不扫相册、文件夹:先用找照片和录音挑出几件,再交给它。
不从要判断的那段录音里学我的声音。
不读照片上的字(那是本地文字识别的事)。
结果只是本机的推断,不当身份证明用。
不把模板、声纹、比对分数传出去或写进别的库。
完整尺寸