欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

Python+TensorFlow實(shí)現(xiàn)聲紋識(shí)別:特征提取到模型部署

Python+TensorFlow實(shí)現(xiàn)聲紋識(shí)別:特征提取到模型部署 簡(jiǎn)介聲音作為人體獨(dú)特的生物特征在身份認(rèn)證領(lǐng)域具有天然優(yōu)勢(shì)。聲紋識(shí)別技術(shù)通過分析語(yǔ)音信號(hào)中的頻譜結(jié)構(gòu)、發(fā)音習(xí)慣等細(xì)微差異將說(shuō)話人身份轉(zhuǎn)化為可計(jì)算的數(shù)字向量從而實(shí)現(xiàn)對(duì)“誰(shuí)在說(shuō)話”的可靠判斷。從技術(shù)原理上看該過程涉及語(yǔ)音信號(hào)預(yù)處理、特征提取如MFCC、Fbank以及深度學(xué)習(xí)模型建模其中嵌入向量Speaker Embedding的質(zhì)量直接決定識(shí)別精度?;谏疃葘W(xué)習(xí)的聲紋識(shí)別系統(tǒng)在金融支付、智能門禁、會(huì)議紀(jì)要等場(chǎng)景具有廣泛應(yīng)用價(jià)值。本文基于Python和TensorFlow完整實(shí)現(xiàn)了一個(gè)從數(shù)據(jù)準(zhǔn)備、特征工程、ResNet模型訓(xùn)練結(jié)合ArcFace損失到推理部署的聲紋識(shí)別系統(tǒng)并分享工程實(shí)踐中的關(guān)鍵細(xì)節(jié)與踩坑經(jīng)驗(yàn)為開發(fā)者提供可運(yùn)行的基線參考。1. 聲紋識(shí)別到底在做什么在做這個(gè)項(xiàng)目之前我一直覺得“聲紋識(shí)別”是個(gè)挺玄乎的東西。直到我把整個(gè)流程從數(shù)據(jù)準(zhǔn)備到模型部署完整跑通之后才發(fā)現(xiàn)它的核心邏輯其實(shí)非常樸素把人說(shuō)話的聲音轉(zhuǎn)換成一組數(shù)字向量再拿這組向量去做身份判斷。就像每個(gè)人都有獨(dú)特的指紋一樣每個(gè)人的聲道結(jié)構(gòu)、發(fā)音習(xí)慣、語(yǔ)速節(jié)奏都不一樣這些差異會(huì)體現(xiàn)在語(yǔ)音信號(hào)的頻譜特征上而我們要做的就是讓機(jī)器學(xué)會(huì)捕捉這些差異。這個(gè)項(xiàng)目的目標(biāo)很直接用Python和TensorFlow搭建一套能夠區(qū)分說(shuō)話人身份的聲紋識(shí)別系統(tǒng)并且提供完整的源代碼和文檔說(shuō)明。它要解決的核心問題很簡(jiǎn)單——給定一段音頻判斷“這是誰(shuí)在說(shuō)話”。聽起來(lái)像一個(gè)分類問題但實(shí)際落地的時(shí)候你會(huì)發(fā)現(xiàn)它比普通的圖像分類要復(fù)雜不少。因?yàn)檎Z(yǔ)音是時(shí)序信號(hào)長(zhǎng)度不固定而且同一個(gè)人的聲音在不同環(huán)境下、不同情緒下、不同設(shè)備錄制下都會(huì)有差異模型要能從這些變化中提取出穩(wěn)定的身份特征這才是聲紋識(shí)別的難點(diǎn)所在。我見過不少剛接觸這個(gè)領(lǐng)域的人上來(lái)就想著要做一個(gè)“能識(shí)別任何人的系統(tǒng)”這個(gè)預(yù)期本身就不現(xiàn)實(shí)。聲紋識(shí)別在工程上通常分兩種場(chǎng)景一種是說(shuō)話人確認(rèn)Speaker Verification也就是驗(yàn)證“這個(gè)人是不是他自稱的那個(gè)人”常用于支付認(rèn)證、門禁系統(tǒng)另一種是說(shuō)話人辨識(shí)Speaker Identification也就是在一堆注冊(cè)過的聲音里判斷“這段聲音是誰(shuí)的”常用于會(huì)議紀(jì)要和角色分離。我們的項(xiàng)目以說(shuō)話人辨識(shí)為主但在推理階段也保留了說(shuō)話人確認(rèn)的能力這樣一套代碼能覆蓋兩種需求通用性更好。這個(gè)項(xiàng)目適合誰(shuí)如果你是剛?cè)腴T語(yǔ)音方向的開發(fā)者想用一套相對(duì)完整的代碼理解聲紋識(shí)別的全鏈路那這個(gè)項(xiàng)目剛好合適。如果你想直接把它用到生產(chǎn)環(huán)境就需要進(jìn)一步調(diào)優(yōu)但至少你能得到一個(gè)可以跑通的基線系統(tǒng)后面的路會(huì)好走很多。1.1 聲紋識(shí)別的基本任務(wù)聊到具體任務(wù)之前得先澄清一個(gè)常見誤區(qū)聲紋識(shí)別不是“語(yǔ)音識(shí)別”。語(yǔ)音識(shí)別是把聲音轉(zhuǎn)成文字它的核心是“說(shuō)了什么”聲紋識(shí)別關(guān)注的是“誰(shuí)在說(shuō)”也就是聲音里攜帶的身份信息。這兩個(gè)任務(wù)用的特征和模型都可以完全不同雖然它們都處理音頻但目標(biāo)不一樣最終的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)思路也會(huì)差很遠(yuǎn)。在說(shuō)話人辨識(shí)任務(wù)下我們要做的其實(shí)是訓(xùn)練一個(gè)多分類模型讓每個(gè)注冊(cè)的說(shuō)話人對(duì)應(yīng)一個(gè)類別模型學(xué)會(huì)區(qū)分這些類別。到了推理階段又有變化——新來(lái)一個(gè)人要注冊(cè)系統(tǒng)但我們?cè)谟?xùn)練時(shí)沒見過他這就需要模型提取出說(shuō)話人嵌入向量Speaker Embedding然后用向量之間的距離來(lái)判斷身份。所以整個(gè)系統(tǒng)的訓(xùn)練思路是先訓(xùn)練一個(gè)分類器但最終我們用的不是分類器的輸出而是它倒數(shù)第二層生成的特征向量。1.2 常用數(shù)據(jù)集與評(píng)估指標(biāo)這個(gè)項(xiàng)目里我用了比較經(jīng)典的中文語(yǔ)音數(shù)據(jù)集。這里要提醒一句聲紋識(shí)別對(duì)數(shù)據(jù)質(zhì)量的要求遠(yuǎn)高于語(yǔ)音識(shí)別因?yàn)樯矸萏卣鞅緛?lái)就隱藏在細(xì)微的頻譜差異里如果數(shù)據(jù)噪聲太大、錄音設(shè)備不一致模型很容易偷懶直接拿信道差異來(lái)區(qū)分人而不是真正學(xué)習(xí)聲紋特征。訓(xùn)練集和測(cè)試集必須保證說(shuō)話人不重疊這是聲紋識(shí)別領(lǐng)域的鐵律。如果同一個(gè)人的聲音同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集里那評(píng)估結(jié)果就會(huì)虛高完全沒有參考意義。我在做數(shù)據(jù)劃分時(shí)特意檢查了好幾遍確保每個(gè)說(shuō)話人的音頻只出現(xiàn)在一個(gè)集合里。評(píng)估指標(biāo)方面說(shuō)話人辨識(shí)看分類準(zhǔn)確率說(shuō)話人確認(rèn)看等錯(cuò)誤率EEREqual Error Rate和最小檢測(cè)代價(jià)函數(shù)minDCF。EER這個(gè)指標(biāo)衡量的是假接受率和假拒絕率相等時(shí)的錯(cuò)誤率數(shù)值越低代表系統(tǒng)越好。當(dāng)初我跑第一個(gè)baseline模型時(shí)準(zhǔn)確率只有60%左右EER更是慘不忍睹后來(lái)一步步調(diào)特征、換網(wǎng)絡(luò)結(jié)構(gòu)、改損失函數(shù)才把指標(biāo)拉到一個(gè)相對(duì)能看的水平。這個(gè)過程雖然痛苦但也讓我對(duì)這個(gè)領(lǐng)域有了比較深入的理解。2. 特征工程把聲音變成模型能懂的向量在開始搭建網(wǎng)絡(luò)之前必須先把音頻數(shù)據(jù)轉(zhuǎn)換成模型能夠處理的數(shù)值特征。這一步做得好不好直接決定了模型性能的上限。2.1 預(yù)處理采樣率、分幀與加窗原始音頻是一串采樣點(diǎn)比如16kHz采樣率下一秒鐘的聲音就是16000個(gè)數(shù)值點(diǎn)。但在16kHz的采樣率下直接把這些數(shù)值點(diǎn)丟給神經(jīng)網(wǎng)絡(luò)不僅計(jì)算量巨大而且模型很難從原始波形中直接學(xué)到有效的身份特征。所以我們要對(duì)音頻進(jìn)行一系列預(yù)處理操作把它轉(zhuǎn)換成更適合模型處理的二維特征圖。第一步是預(yù)加重用的是一個(gè)簡(jiǎn)單的高通濾波器公式是y(t) x(t) - α * x(t-1)其中 α 通常取0.97。這么做的目的很樸素語(yǔ)音信號(hào)在傳播過程中高頻成分衰減得比低頻快預(yù)加重能把高頻分量補(bǔ)償回來(lái)讓頻譜特征更均衡。第二步是分幀。語(yǔ)音信號(hào)是時(shí)變的但在極短的時(shí)間段內(nèi)比如20到30毫秒可以看作是平穩(wěn)的。所以我們會(huì)把整段音頻切成一幀一幀的短信號(hào)幀長(zhǎng)通常取25毫秒幀移取10毫秒也就是說(shuō)每幀之間有15毫秒的重疊。這樣做的目的是保證幀與幀之間的平滑過渡避免因?yàn)榍械锰槎鴣G失語(yǔ)音的動(dòng)態(tài)信息。第三步是加窗。直接切出來(lái)的幀在邊界處會(huì)有截?cái)鄬?dǎo)致頻譜泄漏。解決方法是每一幀乘上一個(gè)漢明窗Hamming Window讓幀的邊緣平滑地衰減到零。這個(gè)過程用librosa庫(kù)實(shí)現(xiàn)非常方便但我在項(xiàng)目里選擇了用TensorFlow自帶的信號(hào)處理函數(shù)來(lái)實(shí)現(xiàn)因?yàn)檫@樣整個(gè)數(shù)據(jù)處理流程可以在訓(xùn)練時(shí)并行處理避免數(shù)據(jù)讀取成為瓶頸。2.2 MFCC與FilterBank特征提取特征選擇上業(yè)界最常用的兩種聲學(xué)特征是梅爾頻率倒譜系數(shù)MFCCMel-Frequency Cepstral Coefficients和FilterBankFbank特征。MFCC的提取流程是分幀加窗后做快速傅里葉變換得到頻譜再通過梅爾濾波器組將頻譜映射到梅爾刻度上然后取對(duì)數(shù)最后做離散余弦變換DCT得到倒譜系數(shù)。MFCC的優(yōu)點(diǎn)是去除了部分冗余信息特征維度低在傳統(tǒng)GMM-UBM時(shí)代非常流行。但在深度學(xué)習(xí)時(shí)代Fbank特征用得更多。它的提取流程比MFCC少了一步DCT保留了更多的原始信息。實(shí)踐經(jīng)驗(yàn)告訴我在數(shù)據(jù)量充足的情況下Fbank特征訓(xùn)練出來(lái)的模型通常比MFCC效果更好。因?yàn)樯窠?jīng)網(wǎng)絡(luò)有能力自己學(xué)習(xí)特征之間的相關(guān)性我們強(qiáng)行做DCT去相關(guān)反而可能丟掉有用的信息。Fbank特征的維度一般取40維或80維配合一階差分和二階差分可以組成120維或240維的特征。我記得最早訓(xùn)練模型時(shí)只用了靜態(tài)的40維特征模型準(zhǔn)確率卡在70%出頭后來(lái)加上差分特征后準(zhǔn)確率直接漲了5個(gè)百分點(diǎn)。原理也不難理解差分特征刻畫了語(yǔ)音的動(dòng)態(tài)變化特性而每個(gè)人的語(yǔ)速節(jié)奏、發(fā)音過渡方式是有差異的這些動(dòng)態(tài)信息對(duì)身份識(shí)別非常有價(jià)值。2.3 用TensorFlow實(shí)現(xiàn)特征提取在TensorFlow中實(shí)現(xiàn)特征提取有兩種常見方案一是先把音頻離線處理成特征存成numpy數(shù)組或者TFRecord文件訓(xùn)練時(shí)直接讀取二是在訓(xùn)練流程中實(shí)時(shí)提取特征。項(xiàng)目里我選擇了離線方案原因很簡(jiǎn)單——特征提取雖然不算復(fù)雜但大量音頻的預(yù)處理依然耗時(shí)離線做完之后訓(xùn)練時(shí)可以完全GPU負(fù)載跑模型不用把時(shí)間浪費(fèi)在CPU特征計(jì)算上。離線提取特征的核心代碼如下import numpy as np import librosa import tensorflow as tf def extract_fbank(audio_path, sample_rate16000, n_fft512, hop_length160, n_mels80): # 讀取音頻并重采樣到16kHz audio, sr librosa.load(audio_path, srsample_rate) # 預(yù)加重 audio np.append(audio[0], audio[1:] - 0.97 * audio[:-1]) # 提取Fbank特征得到 [frames, n_mels] 的二維數(shù)組 fbank librosa.feature.melspectrogram( yaudio, srsample_rate, n_fftn_fft, hop_lengthhop_length, n_melsn_mels ) log_fbank np.log(fbank 1e-6) # 一般還會(huì)做均值方差歸一化讓特征分布更穩(wěn)定 mean np.mean(log_fbank, axis0, keepdimsTrue) std np.std(log_fbank, axis0, keepdimsTrue) log_fbank (log_fbank - mean) / (std 1e-6) return log_fbank.astype(np.float32)這里有個(gè)細(xì)節(jié)值得多說(shuō)一句特征歸一化。我一開始沒有做歸一化模型訓(xùn)練時(shí)loss下降得很慢而且波動(dòng)很大。因?yàn)椴煌纛l的響度不一樣導(dǎo)致特征數(shù)值范圍差異很大。把每個(gè)樣本的特征做均值方差歸一化之后相當(dāng)于把不同錄音條件下的音量差異抹平了模型學(xué)的就是純粹的頻譜形狀特征訓(xùn)練穩(wěn)定了很多。還要注意一個(gè)是特征長(zhǎng)度對(duì)齊。不同音頻的長(zhǎng)度不同提取出來(lái)的幀數(shù)也不同但神經(jīng)網(wǎng)絡(luò)需要固定長(zhǎng)度的輸入。常用的辦法有兩種一是將所有音頻統(tǒng)一截?cái)嗷蜓a(bǔ)齊到固定長(zhǎng)度比如截取3秒不足3秒的補(bǔ)零二是訓(xùn)練時(shí)用隨機(jī)切片推理時(shí)用整段音頻。項(xiàng)目里我采用的是固定截取的方式但截取位置不是從開頭截取而是先做一個(gè)簡(jiǎn)單的VAD語(yǔ)音活動(dòng)檢測(cè)找到有效語(yǔ)音段再?gòu)挠行дZ(yǔ)音段里取固定長(zhǎng)度的片段。這個(gè)操作很關(guān)鍵因?yàn)楹芏嘁纛l開頭有一段靜音如果直接把靜音部分一起送進(jìn)模型不僅浪費(fèi)算力還會(huì)影響特征分布的穩(wěn)定性。3. 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練策略特征準(zhǔn)備好之后就到了核心環(huán)節(jié)——搭網(wǎng)絡(luò)。這個(gè)環(huán)節(jié)決定了模型能夠從特征中挖出多少身份信息。3.1 網(wǎng)絡(luò)結(jié)構(gòu)選型聲紋識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)歷了從DNN到CNN、再到ResNet和ECAPA-TDNN的演進(jìn)過程。對(duì)于基線項(xiàng)目我建議從深層的CNN結(jié)構(gòu)入手因?yàn)樗诰群陀?xùn)練成本之間取得了不錯(cuò)的平衡。我最終采用的是類似ResNet的結(jié)構(gòu)但做了一些針對(duì)聲紋任務(wù)的改動(dòng)import tensorflow as tf from tensorflow.keras import layers, Model def conv_bn_relu(x, filters, kernel_size, strides1): x layers.Conv2D(filters, kernel_size, stridesstrides, paddingsame)(x) x layers.BatchNormalization()(x) x layers.ReLU()(x) return x def residual_block(x, filters, strides1): shortcut x x conv_bn_relu(x, filters, 3, strides) x conv_bn_relu(x, filters, 3, 1) if strides ! 1 or shortcut.shape[-1] ! filters: shortcut layers.Conv2D(filters, 1, stridesstrides)(shortcut) shortcut layers.BatchNormalization()(shortcut) x layers.add([x, shortcut]) x layers.ReLU()(x) return x def build_speaker_encoder(input_shape(128, 80, 1), num_classesNone, embedding_dim128): inputs tf.keras.Input(shapeinput_shape) x conv_bn_relu(inputs, 32, 3, 2) x residual_block(x, 32) x residual_block(x, 32) x residual_block(x, 64, 2) x residual_block(x, 64) x residual_block(x, 128, 2) x residual_block(x, 128) # 全局統(tǒng)計(jì)池化把二維特征圖壓成一維向量 x layers.GlobalAveragePooling2D()(x) # 嵌入層得到說(shuō)話人嵌入向量 embedding layers.Dense(embedding_dim, nameembedding)(x) # 分類層只在訓(xùn)練時(shí)使用 if num_classes is not None: output layers.Dense(num_classes, activationsoftmax, nameclassifier)(embedding) model Model(inputs, output) else: model Model(inputs, embedding) return model這里有一個(gè)關(guān)鍵設(shè)計(jì)值得展開說(shuō)全局統(tǒng)計(jì)池化Global Average Pooling的作用是把不同長(zhǎng)度的特征圖壓成固定長(zhǎng)度的向量。有了這一層模型對(duì)輸入音頻的長(zhǎng)度就不那么敏感了只要在合理范圍內(nèi)長(zhǎng)一點(diǎn)短一點(diǎn)都能處理。另外我在主干網(wǎng)絡(luò)里用了Batch Normalization。這個(gè)在聲紋識(shí)別里幾乎是必需品——因?yàn)椴煌f(shuō)話人的特征分布差異可能很大BN能夠讓網(wǎng)絡(luò)每一層的輸入分布保持穩(wěn)定訓(xùn)練過程會(huì)平滑很多。3.2 損失函數(shù)從Softmax到ArcFace最初的baseline模型用的是普通的Softmax損失也就是直接做一個(gè)多分類。訓(xùn)練了50個(gè)epoch之后驗(yàn)證集準(zhǔn)確率大概在78%左右EER在13%上下效果不太理想。問題出在Softmax損失讓模型學(xué)到的特征雖然能區(qū)分訓(xùn)練集里的說(shuō)話人但這些特征在空間中分布比較松散泛化能力有限。后來(lái)我把損失函數(shù)換成了ArcFaceAdditive Angular Margin Loss。這個(gè)損失函數(shù)最初是做人臉識(shí)別的但在聲紋識(shí)別領(lǐng)域的表現(xiàn)同樣出色。它的核心思想是在Softmax損失的基礎(chǔ)上給目標(biāo)類的角度加上一個(gè)懲罰項(xiàng)margin強(qiáng)迫模型學(xué)到的特征在超球面上聚攏成簇類內(nèi)距離更小、類間距離更大。ArcFace在TensorFlow里實(shí)現(xiàn)并不復(fù)雜核心代碼如下class ArcFaceLayer(layers.Layer): def __init__(self, num_classes, margin0.5, scale32, **kwargs): super().__init__(**kwargs) self.num_classes num_classes self.margin margin self.scale scale def build(self, input_shape): self.w self.add_weight( shape(input_shape[-1], self.num_classes), initializerglorot_uniform, trainableTrue, namearcface_w ) def call(self, inputs, trainingNone): embedding, labels inputs # 歸一化 embedding tf.nn.l2_normalize(embedding, axis1) w tf.nn.l2_normalize(self.w, axis0) # 余弦相似度 cosine tf.matmul(embedding, w) if training: # 將余弦值轉(zhuǎn)換為角度 theta tf.acos(tf.clip_by_value(cosine, -1.0 1e-7, 1.0 - 1e-7)) # 給目標(biāo)類別加上margin one_hot tf.one_hot(labels, self.num_classes) target_logits tf.cos(theta self.margin) logits cosine * (1 - one_hot) target_logits * one_hot return logits * self.scale return cosine * self.scale使用ArcFace有兩個(gè)超參需要注意margin和scale。margin控制的是類間角度的懲罰大小默認(rèn)0.5就夠了設(shè)太大模型會(huì)難以收斂scale是縮放因子一般取32到64之間它控制的是logits的數(shù)值范圍影響溫度。我用的是scale32、margin0.5的組合。訓(xùn)練時(shí)把嵌入向量輸入到ArcFace層再接Softmax交叉熵?fù)p失。這里要特別強(qiáng)調(diào)一點(diǎn)訓(xùn)練集里的說(shuō)話人數(shù)量決定了分類層的維度但新用戶注冊(cè)時(shí)并不會(huì)重新訓(xùn)練模型而是提取嵌入向量存入特征庫(kù)然后用余弦相似度做匹配。這也是為什么網(wǎng)絡(luò)要單獨(dú)抽取embedding層的原因。3.3 訓(xùn)練參數(shù)與代碼實(shí)現(xiàn)訓(xùn)練過程中的參數(shù)配置我踩了不少坑這里直接給出一份能用的配置BATCH_SIZE 64 EPOCHS 80 LEARNING_RATE 1e-3 EMBEDDING_DIM 128 NUM_CLASSES 100 # 根據(jù)實(shí)際說(shuō)話人數(shù)量調(diào)整 # 數(shù)據(jù)生成器 def data_generator(features, labels, batch_size, num_classes): num_samples len(features) while True: indices np.random.permutation(num_samples) for i in range(0, num_samples, batch_size): batch_idx indices[i:ibatch_size] batch_x np.array([features[j] for j in batch_idx]) batch_y tf.keras.utils.to_categorical( [labels[j] for j in batch_idx], num_classes ) yield batch_x, batch_y # 模型與編譯 model build_speaker_encoder( input_shape(128, 80, 1), num_classesNUM_CLASSES, embedding_dimEMBEDDING_DIM ) model.compile( optimizertf.keras.optimizers.Adam(learning_rateLEARNING_RATE), losscategorical_crossentropy, metrics[accuracy] ) # 學(xué)習(xí)率衰減 lr_scheduler tf.keras.callbacks.ReduceLROnPlateau( monitorval_accuracy, factor0.5, patience5, min_lr1e-6 ) early_stopping tf.keras.callbacks.EarlyStopping( monitorval_accuracy, patience15, restore_best_weightsTrue ) model.fit( data_generator(train_features, train_labels, BATCH_SIZE, NUM_CLASSES), steps_per_epochlen(train_features) // BATCH_SIZE, epochsEPOCHS, validation_datadata_generator(val_features, val_labels, BATCH_SIZE, NUM_CLASSES), validation_stepslen(val_features) // BATCH_SIZE, callbacks[lr_scheduler, early_stopping], verbose1 )有兩點(diǎn)經(jīng)驗(yàn)分享一下第一個(gè)是學(xué)習(xí)率。我試過從1e-2開始訓(xùn)練模型很快發(fā)散loss直接變成NaN。后來(lái)?yè)Q成了1e-3初始收斂速度尚可但到了后期就徘徊不前。加上學(xué)習(xí)率衰減調(diào)度之后val_accuracy才有明顯提升。建議不要圖省事跳過學(xué)習(xí)率調(diào)度它能讓模型在訓(xùn)練后期做更精細(xì)的參數(shù)調(diào)整對(duì)最終指標(biāo)影響很大。第二個(gè)是Batch Size。受限于GPU顯存我先用了32但訓(xùn)練過程波動(dòng)特別大。后來(lái)提升到64訓(xùn)練曲線平滑了很多。如果顯存充裕建議試試128理論上更大batch size能讓梯度估計(jì)更穩(wěn)定。訓(xùn)練完成后需要把模型拆開用encoder Model( inputsmodel.input, outputsmodel.get_layer(embedding).output ) encoder.save(speaker_encoder.h5)這樣保存下來(lái)的encoder任何輸入音頻經(jīng)過它都能得到一個(gè)128維的嵌入向量與訓(xùn)練時(shí)的分類層完全解耦。4. 推理、注冊(cè)與識(shí)別流程訓(xùn)練完模型之后整個(gè)項(xiàng)目的“大腦”已經(jīng)有了。接下來(lái)要解決的是工程落地問題如何把模型用起來(lái)。4.1 嵌入向量的提取與比對(duì)在推理階段系統(tǒng)的核心邏輯是注冊(cè)-比對(duì)模式。注冊(cè)階段每個(gè)說(shuō)話人提供若干條語(yǔ)音我們通過encoder提取出對(duì)應(yīng)的嵌入向量然后算一個(gè)平均向量作為該說(shuō)話人的“聲紋模板”存入特征庫(kù)。識(shí)別階段新來(lái)一段語(yǔ)音同樣提取嵌入向量然后計(jì)算它與特征庫(kù)中每個(gè)模板的余弦相似度相似度最高且超過閾值的那一個(gè)就是識(shí)別結(jié)果。余弦相似度的代碼如下def cosine_similarity(vec1, vec2): vec1 vec1 / np.linalg.norm(vec1) vec2 vec2 / np.linalg.norm(vec2) return np.dot(vec1, vec2) def recognize(audio_path, encoder, enrolled_vectors, threshold0.6): feature extract_fbank(audio_path) # [frames, 80] # 如果特征長(zhǎng)度不足128幀需要補(bǔ)齊超過則截?cái)嗟?28幀 if feature.shape[0] 128: pad_width 128 - feature.shape[0] feature np.pad(feature, ((0, pad_width), (0, 0)), modeconstant) else: feature feature[:128, :] feature feature[np.newaxis, ..., np.newaxis] # 增加batch和channel維度 embedding encoder.predict(feature, verbose0)[0] best_score -1 best_id None for speaker_id, template in enrolled_vectors.items(): score cosine_similarity(embedding, template) if score best_score: best_score score best_id speaker_id if best_score threshold: return best_id, best_score else: return None, best_score這段代碼是整套系統(tǒng)識(shí)別鏈路的最簡(jiǎn)實(shí)現(xiàn)。實(shí)際項(xiàng)目里有幾個(gè)地方可以優(yōu)化一是每條語(yǔ)音可以切成多個(gè)片段分別提取嵌入向量然后取平均這樣能大幅提升魯棒性二是特征庫(kù)里的模板數(shù)量如果很大需要引入向量檢索比如FAISS否則線性的相似度計(jì)算會(huì)成為瓶頸。4.2 閾值設(shè)置與工程化細(xì)節(jié)閾值的選擇直接決定了系統(tǒng)的“松”和“緊”。閾值設(shè)高了很多真人的聲音會(huì)被拒絕用戶體驗(yàn)差閾值設(shè)低了冒用者的聲音可能被接受安全性無(wú)法保障。我建議在實(shí)際項(xiàng)目中先收集一批正樣本對(duì)和負(fù)樣本對(duì)正樣本對(duì)是同一個(gè)人的兩條語(yǔ)音計(jì)算它們嵌入向量的相似度負(fù)樣本對(duì)是不同人的兩條語(yǔ)音同樣計(jì)算相似度。然后把所有相似度畫成分布圖選擇能讓正負(fù)樣本重合區(qū)域最小的那個(gè)值作為閾值。如果追求更精確的評(píng)估可以在測(cè)試集上計(jì)算EER用EER對(duì)應(yīng)的相似度作為初始閾值再根據(jù)業(yè)務(wù)安全性要求適當(dāng)上調(diào)。還有一個(gè)容易被忽略的工程細(xì)節(jié)注冊(cè)語(yǔ)音的質(zhì)量。注冊(cè)時(shí)最好要求用戶錄制多段語(yǔ)音每段3到5秒分別提取嵌入向量后取平均。如果注冊(cè)語(yǔ)音環(huán)境噪聲太復(fù)雜模板本身就不準(zhǔn)后面識(shí)別再怎么優(yōu)化都白搭。這跟密碼設(shè)置是一個(gè)道理——初始注冊(cè)環(huán)節(jié)如果太隨意后續(xù)認(rèn)證的安全性和穩(wěn)定性都會(huì)大打折扣。4.3 模型導(dǎo)出與部署TensorFlow模型訓(xùn)練完成后不能直接把h5格式的模型文件丟給線上服務(wù)還需要做導(dǎo)出和優(yōu)化。項(xiàng)目里我用TensorFlow Serving做了部署# 先保存為SavedModel格式 model.export(saved_model/speaker_encoder) # 啟動(dòng)TensorFlow Serving tensorflow_model_server \ --rest_api_port8501 \ --model_namespeaker_encoder \ --model_base_path$(pwd)/saved_model然后用HTTP請(qǐng)求做推理import requests import json def request_embedding(feature): payload { instances: feature.tolist() } resp requests.post( http://localhost:8501/v1/models/speaker_encoder:predict, jsonpayload ) result json.loads(resp.text) return np.array(result[predictions][0])部署的時(shí)候有個(gè)細(xì)節(jié)TensorFlow Serving對(duì)輸入數(shù)據(jù)的shape要求很嚴(yán)格如果客戶端傳過去的特征維度跟模型輸入維度不一致會(huì)直接報(bào)錯(cuò)。所以我在客戶端代碼里加了一層輸入校驗(yàn)寧可讓請(qǐng)求失敗得早一點(diǎn)也不要讓臟數(shù)據(jù)打進(jìn)模型里。如果不想引入TensorFlow Serving這么重的組件也可以用TensorFlow Lite把模型轉(zhuǎn)換成輕量級(jí)格式部署到移動(dòng)端或嵌入式設(shè)備上。不過轉(zhuǎn)換過程中要注意算子兼容性問題特別是Batch Normalization層在轉(zhuǎn)換時(shí)有時(shí)會(huì)被折疊一般不會(huì)影響精度但如果發(fā)現(xiàn)轉(zhuǎn)換后結(jié)果異常可以先關(guān)掉混合量化試試。5. 常見問題與排查實(shí)錄這部分我把實(shí)際開發(fā)過程中遇到的高頻問題整理成了一張速查表每個(gè)問題都附上對(duì)應(yīng)的解決方案方便大家少走彎路。問題現(xiàn)象可能原因解決方案loss出現(xiàn)NaN學(xué)習(xí)率過高、特征中有NaN值降低學(xué)習(xí)率到1e-4檢查特征提取是否出現(xiàn)log(0)訓(xùn)練集準(zhǔn)確率很高測(cè)試集很低說(shuō)話人重疊或過擬合嚴(yán)格按說(shuō)話人劃分?jǐn)?shù)據(jù)增加數(shù)據(jù)增強(qiáng)加大Dropout同一個(gè)人不同語(yǔ)音的嵌入向量距離很遠(yuǎn)錄音環(huán)境差異過大收集同一說(shuō)話人多場(chǎng)景語(yǔ)音提取多個(gè)嵌入向量取平均輸入音頻有大量靜音段時(shí)識(shí)別錯(cuò)誤靜音段特征被作為有效語(yǔ)音處理加入VAD預(yù)處理過濾掉靜音幀多人聲音重疊時(shí)識(shí)別混亂系統(tǒng)不具備分離多說(shuō)話人的能力先做說(shuō)話人分離或改用基于注意力的聚合機(jī)制模型在GPU推理很快CPU上很慢模型本身沒有針對(duì)CPU優(yōu)化使用TensorRT或OpenVINO做推理加速或量化模型到INT8新說(shuō)話人注冊(cè)后識(shí)別率低注冊(cè)語(yǔ)音質(zhì)量差、語(yǔ)音時(shí)長(zhǎng)太短至少注冊(cè)3條以上語(yǔ)音每條時(shí)長(zhǎng)不低于3秒5.1 數(shù)據(jù)類問題數(shù)據(jù)問題往往是最隱蔽的坑。有一次我發(fā)現(xiàn)驗(yàn)證集準(zhǔn)確率一直在60%左右不上不下排查了很久才發(fā)現(xiàn)是數(shù)據(jù)預(yù)處理時(shí)把某些音頻的采樣率搞混了。有的音頻是22.05kHz采樣有的音頻是44.1kHz采樣但特征提取代碼里統(tǒng)一按16kHz去讀導(dǎo)致這些音頻被重采樣后頻率信息失真特征質(zhì)量一塌糊涂。后來(lái)我在數(shù)據(jù)讀取那里加了一個(gè)斷言確保所有音頻的原始采樣率符合預(yù)期問題才徹底解決。還有一個(gè)常見問題是數(shù)據(jù)不平衡。比如訓(xùn)練集里A說(shuō)話人有100條語(yǔ)音B說(shuō)話人只有20條模型就會(huì)傾向于把更多樣本的類別預(yù)測(cè)得更準(zhǔn)少數(shù)類說(shuō)話人的識(shí)別率明顯偏低。解決辦法一是對(duì)少數(shù)類做過采樣也就是重復(fù)采樣少數(shù)類的音頻片段二是使用加權(quán)損失函數(shù)讓少數(shù)類別在計(jì)算loss時(shí)獲得更高的權(quán)重。這兩種方法我都試過過采樣簡(jiǎn)單粗暴但效果不錯(cuò)加權(quán)損失函數(shù)理論上更優(yōu)雅但需要調(diào)權(quán)重參數(shù)性價(jià)比不如過采樣。5.2 訓(xùn)練類問題訓(xùn)練過程中最讓人崩潰的不是模型不收斂而是模型在訓(xùn)練集上表現(xiàn)很好、驗(yàn)證集上卻一塌糊涂。這事我經(jīng)歷過好幾次。第一次遇到時(shí)我懷疑是模型結(jié)構(gòu)有問題換了好幾種結(jié)構(gòu)都不見起色。后來(lái)才意識(shí)到是數(shù)據(jù)泄露——我用的數(shù)據(jù)集里同一個(gè)說(shuō)話人的不同音頻可能在共享一個(gè)錄音環(huán)境比如都是同一個(gè)時(shí)間、同一個(gè)房間里錄的模型巧妙地學(xué)到了“環(huán)境特征”而不是“身份特征”。這種情況下再怎么換模型結(jié)構(gòu)都白搭必須重新審視數(shù)據(jù)本身。另一種訓(xùn)練問題時(shí)梯度爆炸。如果你用的是深層的CNN而且沒有加Batch Normalization訓(xùn)練到一半loss突然變成NaN的可能性很大。我的建議是網(wǎng)絡(luò)里每一層卷積之后都接BN尤其是深層網(wǎng)絡(luò)它不僅可以緩解梯度爆炸還能提升模型的收斂速度。另外梯度裁剪也是一個(gè)保險(xiǎn)手段optimizer tf.keras.optimizers.Adam(learning_rate1e-3, clipnorm1.0)設(shè)置clipnorm1.0表示梯度的L2范數(shù)最大為1超過部分會(huì)被縮放可以有效避免梯度爆炸。5.3 推理類問題推理階段最容易踩的坑是輸入特征長(zhǎng)度不一致。TensorFlow的模型是靜態(tài)圖輸入張量的shape在模型保存時(shí)就固定了。所以如果訓(xùn)練時(shí)輸入是128幀推理時(shí)傳進(jìn)來(lái)300幀模型會(huì)直接報(bào)錯(cuò)。我前面代碼里對(duì)特征做了截?cái)嗪脱a(bǔ)齊正是為了應(yīng)對(duì)這個(gè)問題。但要注意把長(zhǎng)音頻硬截?cái)嗟?28幀會(huì)丟失后面大部分信息所以更好的辦法是——訓(xùn)練時(shí)就把輸入長(zhǎng)度設(shè)置得足夠大比如200幀推理時(shí)如果音頻超過這個(gè)長(zhǎng)度就從中間截取一段特征最豐富的片段。還有一個(gè)很隱蔽的問題特征歸一化參數(shù)的保存與加載。如果你在訓(xùn)練時(shí)對(duì)特征做了均值方差歸一化歸一化的均值和方差是從訓(xùn)練集統(tǒng)計(jì)出來(lái)的那推理時(shí)用的也必須是同一組參數(shù)而不能對(duì)每條測(cè)試語(yǔ)音單獨(dú)計(jì)算均值和方差。我當(dāng)時(shí)就犯過這個(gè)錯(cuò)測(cè)試音頻單獨(dú)歸一化之后嵌入向量的分布跟訓(xùn)練時(shí)的特征分布對(duì)不上識(shí)別準(zhǔn)確率直接掉了一半。正確的做法是把訓(xùn)練集的均值和方差保存到本地文件推理時(shí)讀取并復(fù)用。6. 踩坑心得與后續(xù)擴(kuò)展方向整個(gè)項(xiàng)目做下來(lái)我對(duì)聲紋識(shí)別有了幾個(gè)比較深的體會(huì)。第一個(gè)體會(huì)是聲紋識(shí)別系統(tǒng)的上限由數(shù)據(jù)質(zhì)量決定模型結(jié)構(gòu)只是決定你能多接近這個(gè)上限。如果數(shù)據(jù)里充斥著噪聲、回聲、設(shè)備差異任何精妙的模型都很難發(fā)光。所以做這個(gè)方向花在選擇和處理數(shù)據(jù)上的時(shí)間絕對(duì)值得。第二個(gè)體會(huì)是不要迷信復(fù)雜的模型。一開始我想直接上ECAPA-TDNN這種當(dāng)前最先進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)但訓(xùn)練起來(lái)超參調(diào)整復(fù)雜小數(shù)據(jù)量上還容易過擬合。后來(lái)老老實(shí)實(shí)從ResNet基線做起反而在有限的數(shù)據(jù)上拿到了更好的指標(biāo)。先把簡(jiǎn)單模型做到極致再考慮升級(jí)模型這是最穩(wěn)妥的節(jié)奏。第三個(gè)體會(huì)是聲紋識(shí)別不是萬(wàn)能的。它的本質(zhì)是在概率層面做判斷受環(huán)境、情緒、身體狀況影響很大。比如一個(gè)人感冒了聲音跟平時(shí)會(huì)有明顯差異識(shí)別準(zhǔn)確率大概率下降。這并不意味著系統(tǒng)不行而是聲紋本身的特性決定了的。在產(chǎn)品設(shè)計(jì)時(shí)聲紋識(shí)別適合做多因素認(rèn)證中的一環(huán)而不是唯一的身份憑證。后續(xù)如果想繼續(xù)擴(kuò)展可以考慮幾個(gè)方向一是引入數(shù)據(jù)增強(qiáng)通過加噪、變速、音調(diào)變化等方式擴(kuò)充訓(xùn)練樣本提升模型的泛化能力二是嘗試自監(jiān)督預(yù)訓(xùn)練先在大規(guī)模無(wú)標(biāo)注語(yǔ)音數(shù)據(jù)上預(yù)訓(xùn)練再在聲紋任務(wù)上微調(diào)這是目前語(yǔ)音領(lǐng)域的趨勢(shì)三是把模型結(jié)構(gòu)升級(jí)為ECAPA-TDNN或基于Transformer的結(jié)構(gòu)同時(shí)配合ArcFace和更豐富的數(shù)據(jù)增強(qiáng)策略把EER指標(biāo)再往下壓一壓。最后再分享一個(gè)小技巧在模型訓(xùn)練完成后不妨把你的測(cè)試語(yǔ)音畫成嵌入向量的二維投影圖用t-SNE降維看看能不能清晰區(qū)分不同的說(shuō)話人。如果投影結(jié)果里同一個(gè)說(shuō)話人的點(diǎn)分散在不同地方說(shuō)明模型還沒學(xué)到穩(wěn)定的身份特征如果不同說(shuō)話人的點(diǎn)混在一起說(shuō)明類間區(qū)分度不夠。這個(gè)可視化步驟雖然簡(jiǎn)單但能幫你快速判斷模型的瓶頸在哪里比盯著loss曲線直觀得多。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
熟女网站久久| 激情五月综合免费| 操九色| 五月天色色无码| www99热| 五月丁香六月激情欧美综合| 麻豆五月丁香婷婷| 五月婷久久| 综合色五月天| 9 99免费视频| 97碰碰人人视频| 久久久国产精品黄毛片| 色色婷婷五月天| 久热AA| 天天爽综合网| 亚洲综合婷婷五月天| 色婷婷WWW| 超碰色婷婷| 大香伊人婷婷影院| 成人免费超碰| 超碰av在| 日韩综合成人| 色色三级视频| 色婷婷基地 | AV操操操| 婷婷综合| 99碰超| 夜夜爽天天爽| 九九热99热| 婷激情五月| 五月天色婷婷av| 丁香六月婷婷激情综合| 极品色丁香| 91一起艹| 91无码色色| 激情五月综合网| 97丁香五月| 五月天婷婷影院影院观看| 激情五月天婷婷视频| 99无码免费视频| 欧美A级网站| 日本色99| 91玖玖| 亚洲成人无码网站| 激情丁香九九五月综合网| 中文av在线观看| 大香蕉在九| 欧美性生交XXXXX无码小说| 丁香色婷婷| 色色色无码| 91碰| 久久香蕉影院| 小视频久久久aaa| 99九九精品视频| 婷婷五月激情中文字幕| 五月丁香婷婷网在线在线| 色婷婷五月天视频在线| 婷婷天天色| 无码人妻一区二区三区免费九色| 亚洲精色| 99热这里只有精品3| 色五月首页| 亚洲国产精品综合色区| 狠狠色婷婷777| 激情五月深爱婷婷| 色婷婷精品| 五月婷婷色激情| 婷婷五月天成人网站| 五月天婷婷青青草| 五月亚洲| 99热资源在线| 中文字幕av久久爽一区| 深爱激情综合网| 五月丁香激情啪啪| 婷婷丁香六月天| 99热在线只有精品| www.久久99| 丁香五月六月婷婷综合| 五月丁香久| 色噜噜狠狠色综合网| 九九久久99| 99丁香五月婷 | 情婷婷五月天在线| 夜夜夜叫天天天做| 99热99色| 丁香五月伊人| 婷婷五月情| 大香蕉AV在线| 99精品综合视频| 亚洲综合另类| 欧美交换配乱吟粗大25P| 99无码| 中文字幕乱码亚洲精品一区| 天天综合网~91| 九九色网| 九热视频精品| 99久久久久| 狠狠爱综合| 婷婷综合久久| 综合激情五月丁香| 日本成人小说婷婷六月| 婷婷五月激情中文字幕| 色婷婷av在线观看| 极品人妻VIDEOSSS人妻 | 久久久久视剧HD| 久久艹网| 婷婷五月天堂| 99热99思午夜精品| 日日操天天爽| 久久精彩视频| 亚洲综合五月天婷婷| 在线播放成人网站| 色99综合色88| 99热国产婷婷| 亚洲激情网| 精品久久婷婷五月天| www。88热在线视频免费观看| 亚洲色激婷| 婷婷深爱五月亚洲综合| 亚洲日日日| 婷婷少妇激情| 噜噜五月天综合| 久久女婷| 亚洲影院婷婷色| 九九色院| 99久视频| 九九九成人在线视频| 成人综合伍月天| 日本天天操| 99热播放| 少妇人妻丰满做爰XXX| 中文AV网站| 光棍影院日韩精品| 色五月婷婷激情综合网| 狠狠色综合五月| 日日.c| 色在线99| 五月天色五月| 亚洲人成播放网站| 激情综合网址| 亚洲色域网| 六月合五月婷| 久久久com| 日日做A爰片久久毛片A片英语| 在线播放人妻| 婷婷激情六月综合| 五月丁香天堂网婷婷| 99热这| 久久色婷婷| 99热这里只有精| 日韩欧美成人网| 狠狠色噜噜狠狠| 99国产小视频2013| 五月婷网站| 婷婷的色色五月天| 疯狂做受XXXX高潮A片| AV在线免费观看不卡| 99久久久久久www| 六月丁香婷婷五月天| 色插综合网| 四色AVwww| 五月婷婷色影院| 九九色综合| 婷婷五月综合中文字幕| 伊久久婷婷| wwW天天干| 天堂草在线观| 亚洲天堂热| 欧美韩国日本| 婷婷丁香综合在线| 亚洲五月天色| 色婷婷AV久久久久久久| 亚洲a色| caop视频| 久久99久久99精品免观看粉嫩| 色情五月丁香婷婷网| 99在线亚洲| 五月天激情电影| seav天堂| 色v综合网| 婷婷5月天av| 99久久这里只有精品| 成人午夜无码视频| 九九久久高清| 色综合久久88色综合天天人守婷| 深爱婷婷网| 婷婷成人视频| 另类国产区| renrencaoni| 色色色色网| 丝袜大香蕉| 丁香五月天激情四射网络不好| 91狠狠色丁香婷婷综合久久| 色婷婷五月在线| 婷婷五月天视频| 碰碰碰碰碰99| 热久久77777| 狠狠色成人影片| 开心婷婷五月| 亚洲天堂啪啪| 天天婷婷色六月| 婷婷五月天影院| 激情av网| 91啪级电影| www.91.com黄| 91n网站cad入口在线观看| 五月婷婷干干干| 狠狠做深爱婷婷久久综合一区| 操操啪| 久久 无毛。| 人人干人人操人人摸人人做| 婷婷五月天堂| 激情五月天色色色| 五月丁香六月婷婷中文版| 99九九玖玖| 婷婷色色亚洲| 五月综合视频在线| 在线成人网址| 五月天色站| 2023天天日夜夜爽| 97色在线视频| www,色综合| 好好日激情五月天| 婷婷性爱影院| av操一操| 五月花婷婷最新| 中文字幕在线日亚洲9| 美女爆乳18禁www久久久久久| 五月天丁香啪啪综合| 天天爽天天干| 日韩欧美成人一区二区三区| 国产精品大香蕉| 五月丁香六月婷婷综合网缴情| 久久婷婷成人综合色怡春院| www.日本91| 狠狠干狠狠干狠狠干狠狠干| 亚洲日日操| 五月天丁香综合在线| 日批在线看| 日日夜夜婷婷| 婷婷激情在线| 亚洲天堂aaaa| 亚洲AV成人无码精品| 九九热再线九九视频免费在线观看 | 九九色影视| 欧美激情综合五月色丁香| 大地资源色婷婷视频在线| 91爱啪啪| 色欲五月婷婷| 亚洲成Av人片乱码色第1集| 欧美色小说婷婷| 亚洲va成人va成人va在线观看| 2020日日干| 操逼棍操逼| 专区无日本视频高清8| 人人摸人人操人人爽| 天天五月天综合网址| 五月天婷婷基地综合网| 久久久久视剧HD| 国产寻花在线| 色婷婷丁香五月| 婷婷丁香五月综合| 色色丁香五月天| 琪琪色影音先锋| 亚洲情a| 人妻久久久| 91精品久久久久久| 9精品在线| 9久操| 五月六月激情| 狠狠色噜噜狠| 99色热视频| 综合色久| 日本99视频| 五月丁香久人妻中文| www.com在线操视频免费观看| 婷婷伊人综合中文字幕| 超碰高清在线| 婷婷刺激综合| 五月天六月色| 欧美啪啪五月天| 久久久精品色色色| 就去色色五月丁香婷婷久久久| 色五月视频无码播放| 婷婷色网| 天天看片日日夜夜| 久久激情五月婷婷| 久久婷五月| 国产成人AV在线| 久久综合影院| 丁香五月欧美色综合| 久久在线大香蕉| 这里只有精品免费| 国产超碰av| 96五月丁香熟女| 狠狠婷婷色综合| 99热 在线观看| 综合色色网| 噜噜噜噜噜久| 狠狠干夜夜干| 五月天天天综合| 五月婷婷婷| 亚洲精品国产成人AV在线| 婷婷色九月| 噜噜操操| 九月丁香亭亭| 婷婷久久亚洲| 精品乱码久久久久| 婷婷五月色| 六月婷婷色综合| 五月色婷婷中文字幕| 九九这里是免费的视频5| 射区导航| www.久久久久久久| 9l视频自拍9l九色成人| 色情五月综合婷婷| 九九99视频精品| 丁香六月啪啪| 91啪级电影| A片试看120分钟做受视频红杏 | 超碰在线中文字幕| 激情av在线| 色私五月婷婷| 色五月大香蕉| 丁香五月婷婷久久久| 色9999日韩国产| 天天搞夜夜叫| 欧美性色A片免费免费观看的| wwW天天干| 六月婷婷色综合| 亚洲区,视频区,视频区免费| 五月综合久久| 婷婷天天综合| 91婷婷丁香五月亚洲| 五月丁香六月婷婷开心网| 五月婷婷丁香五月| 激情av在线| 久久激情天堂| 婷婷五月天精品| 六月婷婷色综合| 大香蕉五月天| 青青草深爱激情网| 九月丁香八月婷婷加勒比| 九一99| 绿色小导航AV| 五月色婷婷影院| 99在线热| 丁香五月AV| www,色中色| 日操熟女| 日本狠狠色| 久久总和99| 五月激情偷拍| 久久五月人人摸| 色欧美色色色| 婷婷五月激情五月激情| 婷婷综合视频| 婷婷亚洲综合| 天天拍夜夜爽日日| 五月色丁香婷婷综合| 99综合网| 婷婷成人综合| 日韩AV免费电影在线播放| 欧美激情凹凸丁香网| 大香伊人婷婷| 亚洲精品亚洲人成人网| 五月天婷婷六月激情网| 北条麻妃九九九国产精品视频| 91精品久久久久久综合五月天| 光棍影院日韩精品| 色色色色色色色色网站| 日韩AAA| 一区操| 97色色网| 丁香婷婷久久| 婷婷5月久久综合网站| 激情六月天婷婷| 9精品视频在线| 六月丁香色色| 五月婷婷色男女| 色五月丁香com| 婷婷激情五月天激情| 91se视频| 99无码视频| 色啪综合| 成人国产欧美大片一区| 天天日天天干天天爽| 亚洲综合久| 精品一区二区三区免费毛片爱| 丁香五月停停av| 人人操女人| 91一起操| 亚洲性爱日韩无码| 91精品久久久久久久久| 久久这里只有精品8| 五月婷婷免费视频| 97五月久久丁香婷婷| 99热这里只有精品22| 天天摸夜夜爽天天做| 久久一级免费黄色片| 97人人射| 六月丁香好婷婷| 性天堂久久| 99精在线| 天天爽天天摸| 色综合激情| 99超超碰| 97性视频| 99色热视频| 91啪啪网| 福利视频在线播放| www.色五月| 五月激情丁香久久综合网| 九九99偷拍视频| 超碰人人草| 色色色色色色97| www.久久久久久| 婷婷五月花| 色欲久久久久| 人妻射精AV| 色色色丁香| 久久综合首页| 另类激情五月| 丰满女老板BD高清A片| 亚洲天天操| 五月天激情综合网俺也去| 五月伊人91| 91婷婷在线| 婷婷五月天性| 精品人人操| 96丁香婷婷九月蜜桃综合久久| 四虎成人精品永久免费AV九九| 五月天激情中文字幕| 97热超碰| 办公室少妇激情呻吟A片在线观看| 久久这里只有精品99| 狠狠操.com| 久久九⑨| 国产XXXX搡XXXXX搡麻豆| 久久9热| 色播五月丁香婷婷| 五月婷婷综合影院| 欧美黑人巨大性生话| 天天色99| 婷婷五月综合在线视频| 97碰在线视频| 久久色吧| 三男玩一女三A片| 婷婷五月色情| 91啪级电影| 久久婷婷五月丁香网| 激情综合网婷婷五夜| 九九99九九99九九99视频网| 激情婷婷五月基地| 欧美噜噜噜草| 熟女啪啪视频| 高清资源站日A美A欧亚…| 婷婷丁香九月| 五月色丁香视频精品| 五月丁香猫咪久久婷婷综合视频激情四射网入口 | 婷婷六月激情啪啪| 99热精品在线观看| 玖玖99免费视频| 五月天婷婷五月| 五月婷婷在线短视频| CAOBIBI| 亚洲日韩乱码一区二区三区四区 | 久久这有这里精品| 欧美久久网| 热久综合| 婷婷色在线| 激情99| 韩国久久少妇视屏| 天天五月香欧美| 在线视频激情网站| 9 7总站超级碰免费视频| 激情五月色婷婷| 九九热免费视频| 成人五月天丁香| 午夜大香蕉| se99视频| 丁香五月激情视频在线| 狠狠五月激情在线| BT综合在线视频观看| 96精品国产综合久久久久久| 97久久人人人干| 色噜噜狠狠一区二区三区| 天天插天天爽| 久久久五月四色| 色婷婷丁香五月天在线视频| 激情婷婷五月天| www.久久爱.c n| 色99久草在线| 婷婷五月花| 免费AV播放| 国内外色色色色色成人视频| 五月天激情视频五月天| 777精品成人a v久久| 天天做天天爱天天爽夜夜揉| 国产免费一区二区三区三州老师F1F1.CC | 婷婷激情综合网| 九九热精品99| 久久国产色| 亚洲一区二区无码蜜乳av| 激情com| 熟女网站久久| 伊人久久大香线蕉综合网站| 人人操超碰| 三年高清大片免费观看国语| 99久在线精品99re8| 国产成人AV在线| 丁香五月激情无码视频| 五月婷婷免费| 日韩一区二区三区无码| 色五月天天在线观看资源站| 五月婷婷无码| 国产精品色婷婷久久久精品| 国产婷婷久久| 九97免费视频| www.第四色99| 色和综合网| 亚洲无码99| 97se视频在线| 国产婷婷色综合AV蜜臀AV| 亚洲成人乱码av网站| 婷婷五月蜜桃成人桃色丁香| 九九热99re8热免费观看| 九九热欧美| 五月丁香婷婷婷激情爱爱| tingtingseav| 丁香婷婷欧美综合| 色级停停| 婷婷在线网| 日韩少妇内射免费播放| 成人视频网| 久久婷五月| 91久热| 中文资源在线a | 大香蕉精品视频| 色综合中文色综合网| Av在线资源| 无码激情AAAAA片-区区| 五月丁香激情综合网| 色婷婷亚洲婷婷| 丁香六月婷婷| 91精品久久久久久| 色吧五月| 色色色99| 亚洲另类在线观看| 玖玖热视频| 一起草AV| 99这里有精品视频| 九热视频| 色色99| 日本猛少妇色XXXXX猛叫| 99精品在线观看| 120分钟婬片免费看| 99热自拍| 激情五月天婷婷| 办公室少妇激情呻吟A片在线观看| 天天色播| 国产婷婷色综合AV蜜臀AV| 最近韩国日本免费高清观看| 强辱丰满人妻HD中文字幕| 人妻体体内射精一区二区| BBWCUCKOLD精品熟妇| 午夜天堂一区人妻| 欧美性爱丁香五月| 蒲京久久无码视频| 九九精品系列| 夜色综合网| 久久99网址| 五月丁香色婷基地综合久久| 色情丁香五月婷婷精品| 99精品在线| 99免费热在线精品| 欧洲激情五月天婷婷| 五月婷人妻| 大伊久久| 色色色9| 九九亚洲| 婷婷的久久网站| 99久久性爱| 国产精品大香蕉| 一本道在线电影| 婷婷五月丁香基| 人人操碰| 伊人大香蕉爱聚| 五月丁香偷拍| 国産精品| 日日噜狠狠色综| 日操五月婷| 高清激情av在线观看| 婷婷丁香一月| 第六色在线| 人人做人人看人人摸| 久久草婷婷丁香网站| 五月天 另类图片| 色色色热| 99热精品在线观看| 996er热| 国产成人精品一区二三区熟女在线| 大香蕉五月婷婷丁香| 丁香五月婷婷激情中文| 光棍影院日韩精品| 99精品国产热久久91色欲| 五月天婷婷六月激情网| 五月天婷婷网站| 亚洲综合婷婷五月天| 五月天婷婷人妻| www.婷婷| 婷婷五月天基地| 99婷婷精品推荐在线视频| 国内9l视频自拍老熟女九色| 91丨九色丨国产打屁股| 国产精产国品一二三在观看| 丁香婷婷五月香蕉91| 伊人超碰在线| 国产av影片| 激情五月天色| 天天干天天 亚洲| 亚洲色优| 九九AV| 成人无码精品1区2区3区免费看| 丁香色色五月| www.jiujiujiu| 成人超碰AV| 久久思思热视频| 婷婷五月色| 特级西西4444www无码| 99精品国产在热久久| 666555。COm毛片| 丁香五月婷婷老师网站| 中文精品在| 99热这里只有精品国产免费| 人妻久久久久久久久久| 66成人网| 色婷婷五月综合| 9|在线观看视频| 超碰免费99| 国产五月天激情小说| 激情五月天小说| 二色av| 国产毛多水多女人A片| 婷婷情色五月| 爱操人妻| sewuyuejiqingwang| 高清无码视频网址| 99这里| 六六久久黄色| 日本久久婷| AⅤ色区| 99在线免费视频| 婷婷视频网| 免费观看日韩成人av| 丁香婷婷久久 | 色播五月丁香综合| jiZZdr| 婷婷五月激情五月激情| 99惹 精品在线| 精品在线网站| 激情丁香久久久久久| 狠狠久久婷五月| 婷婷五月天综合蜜桃| www.夜夜操| 丁香五月激情网| 丁香五夜激情四射夜夜夜| 天天色天天射天天日| 色五月色综合| 九九色欲网| 欧美大片免费播放器| www激情网站| 综合逼五月激情婷婷| 久久视频这里有精品99| 色色无码| 操人视频91| 婷婷五月天激情在线观看 | Www.se.久久| 久久婷婷青草五月天| 亚艹艹| 久久这里只有精品热在99| 八戒青柠影视剧在线观看| 在线不卡中文字幕| 九九在线免费观看| 色婷操逼| 亚洲第一成人AV| 国产一级片| 亚洲欧美999| 99re6久热只有精品6在线直播| WWW久久99久久99久久| 性色人人爽| 婷婷激情视频欧美视频自拍视频欧美剧| 91超级碰| 在线看av| 五月天激情婷婷五月天久久| 丁香五月香蕉| 殴美97色| 婷婷五月天无码视频| 成人永久免费视频在线观看| 国内一级片| 黄色五月婷婷| WWW,婷婷,COM| 亚洲视频在线观看| 强伦轩人妻一区二区电影| 五月丁香五月天现场视频| 色情婷婷| www.玖玖婷婷在线| 五月丁香网av| 久久性爱视频网站| 2018国产大陆天天弄| 国产片XXXXA片国语对白| 99久在线精品99re5热视频| 开心五月丁香婷婷| 狠狠色丁香| 婷婷桃色网| 免费的日逼视频| 91大神操美女| 婷婷五月欧美| 色综合五月婷婷狠狠干| 99热99在线| 天堂亚洲 在线| 青青草六月丁香| 人人摸人人| 超碰97免费在线| 丁香五月六月激情久久| www.夜夜操| 久久丝袜婷婷| 深情五月天| 色综合色| 草草操操| 婷婷五月天综合网| 狠狠色婷婷综合开心影视| 成人片久久网站| 激情啪啪五月| 潮汕成人AV片在线| 色天天久婷婷| 五月婷婷色情| 综合五月丁香六月婷婷| 激情九九综合网| 亭亭五月丁香五月天激情| 婷婷五月丁香花综合| 久久综合丁香激情五月| 变态 另类 在线 | 色五月婷婷狠狠撸| 中文字幕在线资源| 偷拍九九五月丁香婷婷| 激情综合另类| 嫩BBB搡BBBB榛BBBB| 亚洲久热| 九九亚洲综合| 香蕉97碰碰碰超视精品| av五月天婷婷丁香| 日韩成人精品中文字幕电影| 色色色视频免费无码 | 日韩成人av在线| 久久99久久久| 激情五月丁香六月| 99热在线极品极品| 欧美精产国品一二三区| 六月婷婷五月天| 影音先锋男士资源网一区| 婷婷操逼网| 久久综合五月天| 日本精品在线噜噜噜| 99色网站| 丁香五月AV| 深爱激情五月网| 国产精品黑丝| 五月天激情社区| 成人午夜天| 欧美在线骚货| 日韩无码专区| 思思久久99热| 日本久久婷| 性生活视频98791| 欧美性色视频| 影音 五月 婷婷 久久| 丁香五月天在线视频| 综合五月婷婷| 五月丁香婷婷中文| 99自拍视频网站| 中文字幕网站在线观看| 久久人妻人人| 婷婷六月色情| www.99热这里精品| 一级性爱大片| 狠狠干无码| 婷婷久久女人| 亚洲色视频| 人人草碰| 日本狠狠网| 卡视频1区2区| 26uuu在线观看| 六月婷婷AV| 日本五月天婷婷丁香| 九九综合五月欧美| 激情欧美丁香五月| 婷婷色一二三区波多野结衣| 九九婷婷网五月天| 91干99| 国产VA亚洲VA96| 99热97美女| 婷婷精品性视频| 亚洲免费成人电影AV| 狠婷婷五月| 97色射| 五月天久久丁香| 1024欧美看片| 俺也去在线视频| 狠狠综合久久综合| 青草五月天| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 婷婷丁香五月高清| 丁香五月婷婷激情蜜桃| 99热a片免| 色噜久| 99视频网址| 五月婷婷深深爱| 色色丁香五月天| 九九色热| 久热9| 五月www| 久久艹 五月天| 国产另类综合| 日日操夜夜操中国无码| 婷婷五月视屏| 色色色色区| 欧美日韩成人高清在线| 超碰电影在线播放| 97人人操人人爽| 女性自慰系列第五页| 99热这里只有精品9| 美臀自射自家人妻| 国产精产国品一二三在观看 | 精品无码久久久久久久久| 天天干-天天日| 人妻免费网站| 另类激情首页| 97碰| 激情综合网激情五月天| 99在线观看精彩视频| 99热网站| 免费无码毛片一区二区A片| 日本在线噜噜| 国产免费av网站| 国产美女视频久| 玖玖无码中文| 日本99久久| 三十路磁力链接| 高清免费在线视频| 99这里有精品视频| 日韩人妻无码专区| 日本三级大片| 五月天玖玖狠狠色色| 成人va在线| 五月丁香婷婷综合视频| 男女99免费视频| www.99视频| 日韩精品色| 五月婷婷9| 婷婷综合亚洲| 久久98| 天天日天天插| 久久这里有精品99| 绿色小导航AV| 久久九九网| 婷婷丁香六月影视| 69超碰在线| 毛片毛片毛片毛片| 操逼巨乳91| 精品久久久人妻| 丁香五月大片| 五月婷婷视频| 日本色狠狠| 婷婷五月天堂| www天天色天天射| 99五月婷| 99热亚洲精品| 婷婷操逼网| WWW久久99久久99久久| 激情综合网激情五月天| 他改变了拜占庭| 成人国产欧美大片一区| 欧美国产一区二区三区| 国产亚洲99久久精品熟| 亚洲人妻Av| 色七色九九| 婷婷色狠狠| www.99婷婷| 天天草天天爱| av超碰在线| 97人人操人人爽| 五月天欧美 另类小说| 九九综合五月欧美| 婷婷伊人綜合中文字幕| 狠狠色无码| 天天色99| 婷婷五月天激情网| 激情五月天色爱| 免费看成人747474九号视频在线观看| 99热在线只有精品| 国产片色| 国产avapp 网| 婷婷色婷婷| 日日夜夜天天综合| 3p久久| 97色婷婷| 开心网五月色婷婷| 欧洲激情网站| 九九九AAA热视频| 另类在线| 97五月天婷婷| 噜噜噜狠狠色综| 色天堂婷婷| 在线观看亚洲AV| 激情五月激情综合网一级丸片| 超碰成人在线免费观看| 婷婷激情性爱| 夜夜人妻五月天| 久久天堂色| 五月婷婷深深爱| 激情婷婷网| 激情丁香婷婷| 九九综合影音先锋| 五月停停色色丁香| 激情亚洲色图片丁香综合| 五月婷婷婷| 少妇人妻人伦A片| 国产激情综合五月久久| 九九99久久| 香蕉99网| 亚洲激情四射| 天天操天天日天天操| 久久久8| 九热网站| 日日操日日撸| 婷婷亚洲欧美丁香五月| 国产乱码久久| 99久高清视频| 大香蕉av在线| 播播网色播播| 丁香综合伊人AV| 国产精品视频| 激情性爱五月天网页| 日韩成人无码人妻| 99青青草| 久久这里只有精彩| 九九热99精品| 五月开心网| 99热66| 激情五月综合ì香亚洲| 天天肏在线观看| 不卡成人免费| 天天日天天舔| 欧美色婷婷| 激情综合色五月六月婷婷| 色五月婷婷综合在线| 韩国中文字幕91| 九九热大香蕉| 热久久91| 丁香九月激情在线视频| 思思re99视频在线观看| 色婷婷婷婷五月天| 色婷婷视频| 婷婷射图五月天| 操逼电影免费看| 中文字幕在线日亚洲9| 五月婷婷婷丁香播| 五月噜噜| 操操人人| 六月丁香开心婷婷欧美| 久久性爱视频| 超碰在线视屏| 99思思| 五月丁香六月婷精品视频| 色呦呦美女| Www.久久| 欧美黑人巨大性生话| 综合色五月天| 五月丁香六月婷婷综合网站| 亚洲舔观看| 亚洲成人一区| 丁香社92视频| 欧类av怡春院| 五月亭亭直播| 99无码| 精品无码99| 热无码A∨| 97在线综合| 色色色天堂网| 超碰成人公开| 天天综合精品| 久久婷婷国产| 九九激情视频| 激情五月网站| 操操操操操操婷婷五月天| 99热欧美偷拍| 4399在线观看免费高清毛片| 五月婷丁香| 91性高潮久久久久久久久| 综合网五月| 婷婷五月天首页| 国产夫妻操逼内射视频| 亚洲AV综合在线观看| 31色区视频免费看| BBWCUCKOLD精品熟妇| 超碰人妻在线| 狠狠色大香蕉| 婷婷五月综合激情免费| 欧美性丁香色色五月天| 丁香五月综合高清在线| 人人干99| 九九久久免费视频44| 成人AV片播放| 99精品视频在线观看| 99亚洲精品视频| 伊人五月婷婷| 狠狠色丁香| 色色色.COM| 九九一综合精品| 色欲操| 玖热精品综合视频| 中文字幕性爱视频| 日韩欧美成人网| 中字幕视频在线永久在线观看免费 | 丁香五月婷婷天堂大香蕉| 久久久久久久,99精品视频| 国产精品国产成人国产三级| 成人丁香五月| 九九操操| 五月婷婷|欧美| 五月婷婷五月丁香| 夜夜操天天爽| 日日操日日射| 深爱激情九九五月天| 亚洲小视频免费看| 五月综合色| 九九操操| 3p久久| 成人网页在线观看| 激情婷婷五月综合| 超碰人人摸AV| 色啦啦视频| 影音先锋91网站在线观看| 色五月激情五月| 色啪网| 亚洲六月婷婷| 婷婷五月天久久久| 97精品自拍| 99久久婷婷五月综合| 第四色五月天| 婷婷99狠狠躁| 天天激情站| 五月婷婷综合精品| 亚洲久热无码| 久久婷婷丁香六月天| 这里只有国产精品在线| 天天操天天操| 激情五月婷婷在线区| 深爱激情AV| 日本天天综合| 天天做天天双| 丁香桃色综合网| 亚洲综合网激情五月天| 高清激情av在线观看| 狠狠艹狠狠艹| 国庆精品久久| 国产色色网址网站| 青青草a在线| 草操网| 精品视频99看在线视频| 77799热| 婷婷五月天另类视频| 少妇日麻屄| ,99视频久久| 99在线视频免费| 五月激情丁香六月狠狠干| 亚洲人妻av| 丁香丁婷五月激情| 五月丁香日本一抹本| 这里只有精品日韩| 丁香婷婷五月激情综合| 再次出发二| 亚洲五月六丁香激情| 色爱99| 激情深爱婷婷网| 99热在这里只有免费精品| 一本久久亚洲五月婷婷| 五月综合777| 婷婷五月综合激情小说| 五月丁香 啪啪啪| 伊人超碰| 天天成人综合视频| 婷婷五月天免费| 九一99| 九九婷婷网五月天| 天天天天干| 人人97碰| www.99热这里只有精品| 午夜一区| 内射人妻视频国内| 婷婷色影音天| 色婷婷亚洲综合天堂| 欧美久久久久久久久中文字幕| 一区二区你懂的| 午夜丁香 婷婷| 亚洲熟女色| 激情五月综合网| ...婷婷国产成人亚洲日韩| 婷婷五月天激情视频| 情婷婷五月天| 五月天伊人网| 六月婷婷综合激情| 97人人射| 亚洲激情四射| 五月丁香婷婷成人网| 182tv992tv人之初午夜免费观看| 丁香五月婷婷亚洲天堂| 大香蕉五月| 日韩无码专区| 99rewww| 色五月婷婷大| 六月丁香社区| 天天日天天插| 婷婷导航| 久久精品99国产精品日本| 影音先锋高清无码资源网| 91啦丨九色丨刺激中文| www.久久久久久| 97色色婷婷| 亚洲舔观看| 99综合激情久久精品久久| 色亭亭五月天丁香综合AV - 百度 - 百度| 五月丁香影视| 色吧综合网| 狠狠狠狠狠干| 丁香五月狠狠在线观看| 亚洲宗合激情| 超碰操日| 日韩伊人大香蕉| 综合久久综合| 99色视频| 婷婷六月色丁香视频在线观看| 99久久99热这里只有精品| 婷婷五月中文字幕国产| 思思热精品在线观看| 精品人妻在线| 五月天综合色| 激情五月丁香五月色| 超碰成人影视| 丁香五月激情综合婷综| 四虎成人精品永久免费AV九九| 五月天激情综合在线| 婷婷六月网| Www.狠狠| 五月天婷婷AV| 99久久婷婷国产综合精品草原| 成人视频网| 97色干在线观看| 婷婷久久综合| www.丁香黄色五月天人与| 久久国产高清| 成人做爰A片免费看视频| 99免费视频网| 激情色播| 久久一级AV| 丁香色五月婷婷| 色婷婷五月天中文字幕| 久久精品99国产精品日本| 熟女激情五月天 | 六月色婷婷色| 思思久热6| 可以免费观看的AV| 99热这里只有精品9| 精品综合网在线| 婷婷六月综合基地| 国产亚洲精久久久久| 天天做天天爱| 99热综合| 2015在线中文字幕| 亚洲综合视频网| 美臀自射自家人妻| 99久久综合| 五月花激情| 天天干天天日蜜臀av| 97色天堂| 狠狠肏综合网| 精品人妻久久久久久| 五月丁香婷婷综合网| 岛囯综合激情网| 亚洲激情综| 极品 少妇 内射| 日本99在线| 另类少妇人与禽zOZZ0性伦| ...婷婷五月综合不卡,国产在线手机| 99久久亚洲精品视频| 日日射天天射| www.婷婷,com| 婷婷五月天综合网| 婷婷94s| 亚洲AV成人片无码网站| 激情五月com| 五月丁香 啪啪| 人人爽网| 色婷婷免费视频| 亚洲 小说 欧美 激情 另类| 综合一本道| 色色色com| 丁香五月婷婷久久久| 26UUU一区二区| 激情婷婷五月社区| 色婷婷久久| a片在线免费观看一区| 狠狠艹狠狠艹| 丁香五月天激情免费在线观看AV777 | 久久丁香婷婷色情综合| 国产亚洲色婷婷久久99精品91| 五月天婷婷导航| 天天射美女| 大香蕉丁香婷婷| 狠狠操狠狠爱| 天天日天天爱天天噪| 五月天婷婷基地丁香| 丁香六月婷婷综合网| 第四色五月婷婷| 97色婷婷| 成人av中文字幕| 亚洲免费99| 99精在线| www亚洲无码| 精品久久人妻热| 五月天社区| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 婷婷99热| 激情九九综合网| 99在线精品免费视频| 五月深情久久| 小视频在线亚洲| 99九九热视频| 激情性爱五月天网页| 亚洲综合成人网| 亚洲AV色婷婷人禽五月天| 中文字幕在线免费观看视频| 色婷婷瘦婷婷日韩| 东北婷婷五月天| 丁香六月综合激情| 亚洲黄网在线| 五月丁香久久网| 人人色婷婷| 亚洲成人影视在线| 亚洲av成人电影在线观看| xx综合网| 色婷婷久久综合| www狠狠爱com| 六月婷婷之青青草| 天天干天天拍| 婷婷五月丁香综合亚洲| 丁香无月在线观看| 丁香六月激情国产| 男妓跪趴把舌头伸进我的嘴巴| 色噜噜狠狠色综合网| 成人精品99| 丁香五月天视频| 日韩黄色网络| 婷婷五月深爱五月| 99热这里只有精品99|