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
亚洲激情网| 丁香五月激情婷婷| 婷婷五月丁香综合激情小说| 欧美性丁香色色五月天| 婷婷激情六月| 亚洲成人网站在线播放| 欧美激情VA永久在线播放| 99热免费观看| 日本三级99人妇网站| 天天日日| 久久在这里99| 99久久成人| 99热免费精品| 久久这里有精品| 色色色综合| 亚洲激情另类| 亚洲天堂制| 天天肏高清在线| 日日噜狠狠| yazhou seshipin| 日韩一区二区三区无码| 婷婷社区五月天| 九色视频91疯狂| 91久久99久久91熟女精品| 五月天久久色| 性视频久久| 人人爽在线视频综合网| 99久在线精品99re8热| 99视频在线播放大全| 久久性爱视频网站| 人人操91色| 伊人玖玖网| 色九月欧美| 精品国产va久久久久| 蜜桃婷婷丁香五月天狠狠久久综合| 婷婷亚洲在线| 婷婷深爱五月天| 伊久大香蕉| 五月丁香毛片| 色五月丁香激情| 综合在线色婷婷| 人人爽天天爽| 97人人看一| 婷婷,五月天,丁香,第一| 婷婷激情啪啪| 久久思思热| 97操碰日本女人| www九九| 色国产五月| 五月天色不卡| 久草婷婷网| 超碰在线观看9| 婷婷欧美激情综合| 久久伦乱| 日韩av高清| 九九热在线观看6| 可以直接看的AV网站| 亭亭色网| 五月婷婷性爱网| 亚洲中文字幕AV| 天天日天天日天天搞| 97人人干人人操| www超碰| 日都一级A片| 五月婷婷久久激情| 婷婷91| 五月婷婷 婷婷五月 一区二区 久久久| 原琪琪色影院| 日日夜夜爽| 天天干天天干天天| 激情婷婷在线中文字幕| 天天狠狠夜夜狠狠2023| 五月激香蕉网| 欧美黑人巨大猛烈cuckold| 99riAv1国产在线观看| 又大又粗九一在线| 天天干天天日日| 久久精品亚洲热| 激情小说婷婷| 91操熟女| www.henhenl| 超碰99热精品在线| 五月丁香91| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 伊人超碰在线| 精品国产va久| 亚洲操操操| 91丨九色丨国产在线| 欧美va视频不用播放器的va视频网| 五月丁香婷婷俺| 99综合免费视频| 99色五月| 亚洲精品99| 久久综合26p| 79亚洲精品少妇| AV五月丁香| 日日操夜夜操中国无码| 国语精品探花| 精品九九婷婷| 丁香五月天激情视频| 韩国中文字幕91| 第二色AⅤ| 丁香六月激情综合| 国产 码在线成人网站| 1区2区视频| 狠狠爱丁香婷| 久久开心五月天激情| 韩国中文字幕91| 精品人妻伦一二三区久| 人妻Av在线| 国产99视频永久免费| 久热9| 日本不卡中文字幕| 深夜男女福利刺激影院一区完整| 婷婷的久久网站| WWW.桔色成人.COM| 九色91视频| 久久激情网| 国产女人十八水真多1| 襙比视频| www免费在线视频| 国产欧美日韩一区二区三区| 五月婷婷视频| 综合激情网激情五月。| 久久五月天免费网站| 99免费视频网| 免费观看日韩成人av| 欧美激情综合色综合色| 99热99日天天干| 丁香久久五月天视频在线观看| 99久久9| 成人五月天在线观看| 在线视频你懂得| 五月丁香成年黄色| 91精品久久久久久综合五月天| 色婷婷成人做爰A片免费看网站| 少妇丁香婷婷| se色婷婷视频| 日日.c| 九久热| 色色网站免费观看| 久久桃花网色婷婷| 五月色综合网| av网址在线| 午夜天堂啪啪| 久久小视频免费| 青草视频在线观看视频| 五月婷婷六月奇米网丁香| 午夜无码熟熟妇丰满人妻| 天天做综合网色综合| 综合色在线| 欧美精品熟女一区二区| 婷婷丁香五月91| YJLZZJLZZ亚洲乱熟无码| 五月色婷| 综合aV在线| www.丁香五月| 久久婷婷丁香五月宗合| 久久九九色| 99热成人精品| 丁香九色不卡aaa| 激情五月婷婷视频一区二区三区| 91色五月| 亚洲精品国产A久久久久久| 在线色五月婷婷| 精品热九九| 天天插天天插天天插天天插| 色五月婷婷狠狠撸| 激情综合五月丁香| www.丁香黄色五月天人与| 95精品区一区二| 丁香婷婷五月六月天| 天天操天天插天天射| 五月欧美丁香在线观看| 久婷婷五月激情| 婷婷丁香综合网| 亚洲天天| www色婷婷久久综合久色| 日本不卡一区二区三区| 性爱视频久久| 激情五月丁香综合蜜桃| 99久久.www| 欧美日综合| 五月婷综合性中心| 无码人妻电影| 99色人| 激情网开心网| 婷婷激情五月天小说| 日本久久精品| 久久激情五月网| www.久久综合| 69凹凸成人综合网| 久久综合九九| AV五月婷婷露脸| 婷婷色中文字幕| 亚洲无码 图片区| 黄色成人网站在线播放| 涩涩涩.com| 9精品一区| 欧美这里只有精品| www.婷婷五月| 天天舔天天摸天天射| 色色色9 9 9| 色色AV色色色东莞| 无码se| 亚洲六月综合激情久久下卡| 亚洲色视频| 五月婷婷在线观看| 久久久久久久久久久久久久人妻视频| 九九偷拍网| 久久伊人大香蕉| 婷婷五月天精品| 久久久思思热| 五月天三级久久| 少妇人妻丰满做爰XXX| 男女免费视频999| 色爱99| 中文字幕成人影视| 在线观看免费人成视频无码| 黄网在线播放| 五月丁香狠狠| 91热er| 五夜丁香| 国内在线99视频| a网站免费观看| 五月天com| 久草五月天电影网| AV九九| 狠狠色婷婷丁香五月| 99操碰| 大香线蕉伊人| 五月丁香六月情| 丁六月激情| 操久久精| 丁香五月97视频| 在线观看国产高清视频免费网站 | 91日韩在线| 噜噜网免费视频| 五月丁香婷色| 久久婷.com| 成人 九九九九| 少妇AB又爽又紧无码网站| 激情五月激情综合网| 欧美日韓成人亚洲精品另类| 五月天婷婷色在线视频免费观看 | 激情婷婷内射| 五月丁香六月婷综合成人综合| 九九Y精品热播| 国产精品18久久久| h在线看免费版在线看| 99婷婷国产最新视频| 热热久久99| 五月深爱婷婷| 色七色九九| 亚洲天堂大香蕉| 久久久久久久久久久jjjj| 香蕉AV777XXX色综合一区| 亚洲天天操| 五月丁香激情四射| 婷婷涩五月| 婷婷五月情| 亚洲情a| www.91操| 久草天堂| 99er日韩| 婷婷五月天天天日日夜夜| 99ri国产在线| 色5月婷婷| 99男人的天堂| 在线成人网址| 久久久WWW| 影视av久久久噜噜噜噜噜三级| 97碰操| 奇米影视在线视频| 超级97碰碰| 97操男人的天堂| 99ri精品在线观看| www.com.色色| 激情文学 综合 九月| 色色9 9| 五月天另类小说久久小说网| 五月婷丁香久久综合| 男女激情久久| 婷五月天六| bukadeavzaixian| 欧美日韩中国| 九九人人精品| 久热99| 亚洲小视频免费看| 综合色五月天| 五月天婷婷人妻| 思思re99视频在线观看| 成人网在线视频| 国精产品一区一区三区有限公司杨 | 永久AⅤ1| 五月婷婷丁香社区| 久超超碰| 99精品网| 日韩成人中文| www.九月婷婷丁香.com| 97婷婷丁香| 五月婷婷影院| 天天日综合网射| 色婷五月天亚洲| 五月丁香六月婷婷亚洲| 丁香五月六月| 99热超碰在线| 国产精品18久久久| 中文字幕欧美精品久久| WWW久久99久久99久久| 真实的国产乱XXXX在线91| 丁J香六月首页| 99人妻碰碰碰久久久久视| 大香蕉久热| 久操婷婷| 久热最新视频| 99热这里是精品| 99热播放| 亚洲无码99| 少妇高潮A片无套内谢麻豆传| 乱岳熟女50岁| 抽插特写| 在线色色| 五月天婷婷久色| 午夜色丁香| 日本3级片一区2区| 丁香网站| 欧美日韩五月婷婷| 日韩三级片一区二区| 狠狠色狠狠色综合日日91| 成人免费va| 婷婷在线免费| 天堂美国久久| 91精品久久久久久| 99热12| 原琪琪色影院| 婷香五月激情视频| 四季日韩AV无码综合| 久久综合伊人77777蜜臀| 久久综合99| 婷婷六月激情丁香| 玖玖综合色| www.色五月| www91精品| 五月天色播网| 丁香六月婷| 泰州成人视频| 色碰97| 色婷婷99| 日日天天干| 开心深爱激情网| 婷婷激情六月中文| 五月丁香爱婷婷深深| 中国激情网| 狠狠色成人影片| 97色碰| 丁香久久九九99| 亚洲性天天| 色激情五月| www五月| 99视频综合| 五月婷婷综合网| 26uuuuuuuu国产| 色欲久久综合| 婷婷情色五月| 久热这里这里有精品| 狠狠色综合网| 激情五月天久久| 在线中文字幕av| 97婷婷五月天| 激情综合网激情五月天| 无码动漫AV| 婷婷五月天成人五月天| 色色无码| 白度黄视频| Se.婷婷五月天| 天天干,夜夜爽| 免费三级黄色| 狠狠色丁香综合| 99精品在线观看视频| 激情五月婷婷综合网| 久99久精品视频| 五月天色婷婷基地| 国产成人网址| 操久久网| 色婷另类| 激情丁香久久| 亚洲第一色区| 97日韩无套内| 97干视频| 综合伊人久久| 超碰丁香五月| 五月综合色播播丁香婷婷| 丁香六月婷婷综合| 久久伊人大香蕉| 色丁香六月| 99亚洲天堂| 久久一级片| 亚洲男人的天堂婷婷色五月| 五月丁香色综合| 婷婷精品在线| 五月婷婷成人| 国产黄色一级片| 人人噜天天上| 91啦丨九色丨刺激中文| 色射婷婷五月天| 可以免费观看的AV| 九九精品99| 婷婷五月天综合在线| 国产亚洲精品AAAAAAA片| 一逼色综合| 日韩精品一品二区三区的使用体验| 丁香花狠狠婷婷亚洲中文字幕| 色五月av伊人| 国产欧美性成人精品午夜| 六月丁香五月激情亚洲AV| 97色婷婷成人综合在线观看| 狼人婷婷久久| 五月婷丁香| 久综合4| 五月婷婷狠天天色综合| 亚洲精品又粗又大又爽A片| 亚洲婷婷在线播放十月| www激情| 91蜜桃婷婷狠狠久久综合9色| www久久艹| 五月天婷婷情色| 99精品福利视频| www天堂99| 五月婷婷丁香六月在线| 99天堂在线观看免费视频| 五月五丁香婷婷| 国精产品一区一区三区免费视频| 婷婷久久视频| 黄色录像网点| 丁香五月天啪啪a日本| 丁香六月成人| 丁香五月婷中字幕| 亚洲秘 无码一区二区三区妃光/1| 免费在线观看欧美激情xx小视频| 五月天激情网址| 五月婷激情影院| 97五月久久丁香婷婷| www.婷婷| 亚洲啪视频| 激情五月丁香五月| 一區四區歐美日韓| 玖玖婷婷色欲| 99热这里只有精彩| 99干视频| 色色色综合色| 九九热在视频| 99精品综合| 五月欧美色色五月| 91色色五月天| 五月婷天天搞视频| 免费观看2018www黄色操逼网站| 色五婷婷开心缴| 中文字幕激情综合| www.五月天婷婷| 精品一区二区三区四区五区六区介绍| 欧类av怡春院| 午夜电影网VA内射| 99热国产婷婷| 久久久久这里只有精品| 国产淫熟妇| 色婷婷亚洲综合网站| 5月婷婷五月天| 激情久久综合网| 久久久久久激情| 久草天堂| 五月天伊人| 91免费试看| 操比激情五月综合| 丁香五月AV| 久久一二三视频| 五月婷婷丁香五月| 婷婷激情人妻| 梁铮版蜘蛛女在线观看| 1024AV视频| 日日干日日| 玖玖视频福利| 真实的国产乱XXXX在线91| 天天做夜夜爽| 婷婷久热| 羞羞嫩草视频| 日日干日日| 人妻aV在线| 日本色色色| 五月色网| 九九这里是免费的视频5| 九九热AV| 色婷婷亚洲六月婷婷中文字幕| www.五月婷婷| 97日本在线播放| 久久婷婷内射| 丁香五月综合在线播放 | 色婷婷九月综合| 青996青| 少妇综合网| 99成人小视频| 色婷婷色99国产综合精品| 草了bav视频在线观看| 亚洲热热视频| 国产阿姨日皮艹逼内射视频| 九九婷婷热| 国产成人综合电影| 成人网丁香五月| 99婷五月| a网站免费观看| 99热99热不卡| 99惹在线精品免费观看| 丁香天堂夜| 久久综合五月天| 79色色色色| 亚洲综合九九| 大香蕉婷婷婷| 99久久综合网| 91久久色| 少妇人妻综合色6699| 色婷婷综合久久久久| 五月四色激情| 97av在线视频| 成人网站免费在线播放| 六月婷婷九月丁香亚洲综合| 天天色天天色天天色天天色天天色天天色| 色婷婷激情五月天| 丁香88AV五月婷婷| 天天日天天色| 九九人人精品| 婷婷激情丁五月| 五月丁香久久网| 人妻有码乱操| 99网| 久久久久er热| 99精品在线| 99视频精品全部免费观看| 九九这里只有精品在线视频| 欧美日韩国产一区| 69久热| 国产亚洲成AV人片在线观黄桃| 影音先锋噜一噜| 婷婷五月天激情视频| 国产超碰在线| 亚州操操| 韩国19 主播内部福利vip免费播放| 日本不卡高字幕在线2019| 九九亚洲视频| 五月丁香色婷婷色| 日日色综合| 内射激情在线| 激情性爱五月天| 99久久五月丁香野外| 青青草国产亚洲精品久久| 久九色| 丁香五月婷婷色| 五月天a婷婷伊人| 偷偷狠狠久久婷婷五月天| 五月天丁香综合久久国产| 大香人妻| 天堂网亚洲色图| 丰满人妻妇伦又伦精品国产| 日本久久人人| 久久婷婷五月综合激情国产| 99综合| 深情五月天| AV五月丁香| 二人电影免费版在线观看| 五月天婷婷色在线视频免费观看 | 久久色五月| 99热手机在线精品| 婷婷六月丁香五月| www,天天干| 男人的天堂五月丁香| 激情综合亚洲色婷婷五月| 99热乎| 九九热在线观看6| 色婷婷www| 99在线公开视频| 五月丁香色婷婷久久| 91 九色 入口| 婷婷九月丁香天堂丁香天堂| 婷婷九月丁香天堂丁香天堂| 99久久.www| 精品热青草| 久久婷婷视频| 成片免费观看视频大全| 婷婷色综合| 久色网| 天天日天天舔| 国产又粗又大又爽又黄| 97精品人人A片免费看| 99热这里只有精品1025| 久久92| 五月丁香色色| www.99久| 天天操夜夜操| 白人荫道BBWBBB大荫道| 成人精品视频99在线观看免费| 操碰97| 中字幕视频在线永久在线观看免费| 在线播放中文字幕| 熟女人妻视频| 日本97人人| 色色九区| 亚洲第一黄网| 狠狠色五月激情| 六月丁香激情最新更新| 婷婷五月激情在线| 婷婷六月丁| 欧美影院| 丁香色婷婷五月天| 丁香婷婷影院| 精品一二三区久久AAA片| 欧美午夜乱妇午夜福利| www天堂99| 国产毛片操B| 欧美五月婷婷综合| 六月婷婷AV| 激情综合在线观看| 五月婷婷激情四季| 成人婷婷深爱综合网| 五月天激情网页| 99久久99热这里只有精品| 99热这里只有精品最新| 六月色国内综合| 九热视频| 欧美日韩99| 五月丁香久久| 亚洲中文字幕翔田千里| 婷婷久久影院| 久久这里这里有精品免费视频| 婷婷深爱色五月| 亚洲九九九九| 激情丁香六月| 日韩一级片| 国产精品99久久久久久久女警| 激情6月| 琪琪色热色色| 亚洲久久视频| 精品人妻久久久| 色五月色五天免费视频| 99热这里只有精彩| 俺也去五月婷婷丁| 啪啪黄页网| 激情五婷精品网在线观看网址| 五月综合激情视频| 大香蕉婷婷久久| 丁香五月av| 99五丁香月| 啊V视频在线观看| www。88热在线视频免费观看| 日韩在线五月天婷婷| 久久久久久久人妻| 九九热免费视频| 丁香五月色色婷| 欧美99热| 五月宗合激情网| 激情综合色婷婷啪啪六月天| 天天操天天插| 精品九九婷婷| 色久婷婷网| 98毛片| 26uuu成人网| 啪啪91| 狠狠情色| 天天艹天天色| 久久久97| 色444综合网| 色色网站观看| 狠狠色噜噜狠狠| 免费视频WWW在线观看网站| 五月激情婷婷国产精品久久久久久| 婷婷五月激情热播| 亚美欧色影院| 深爱激情五月网| 国产一级黄色影片,| 大香蕉久操| 99热大| 五月丁香综合| 九九九九无码| 人人草人人舔| 97色综合| 亭亭玉月丁香| 久久jiuwww| 噜噜噜噜噜在线| 5月婷婷6月六月丁香| 中文字幕成人| 婷婷五月天激情综合| 久久人妻高清中文| 91狠狠色丁香婷婷综合久久精品| 97操男人的天堂| oumeisesewang| 综合久久97| 变态另类色图| 同性gv国产精品一区二区| 生活片五区| 热久91| 狠色狠色狠色狠色狠色网| 人人射人人高潮| 久久XX| 天天射美女| 六月丁香婷婷综合在线| 婷婷天堂伊人| 色婷婷五月丁香在线观看| 人人操插| 操逼巨乳91| 久久久久久丁香五月| av大香蕉| 欧洲不卡视频| 九月激情综合| 丁香九月激情久久| 亚洲六月色| 97干在线| 欧美激情综合色综合啪啪五月| 青草激情在线| 99色色| 天天性视频| 激情五月婷黄版| 91女人18毛片水多国产| 五月天婷婷黄色| 日本少妇裸体做爰高潮片 | 丁香五月中文字幕久色| 乱乱av| 丁香五月婷婷丫| 久久激情网| 操久久网| 色99在线视频| 婷婷丁香91| 五月天激情亚洲| 怎么样可以看免费的一级av| 色婷婷综合中心| 99性爱视频| 亭亭丁香aV| 婷婷丁香18| 99视频网址| 99热免费| 人碰91| 丁香色五月婷婷| 超级久久久| 性色视频| 在线91日韩| 丁香桃色网| 色五月色五天色情网址| 五月丁香激情婷婷| 久久色午夜在线导航| 国产五月天欧美色| 丁香五月婷婷综合激情啪啪啪| 战争与艾拉电影免费观看| 8050一级网| 久久久久久丁香五月| www.9操| 男人天堂亚洲综合| 欧美激情综合| 婷婷五月丁香五月天| 国产熟妇乱子伦hd| 99热在线观看免费| 少妇人妻丰满做爰XXX| 6080av| 人妻AV在线| 色五月激情五月丁香五月婷婷啪啪综合| 久久在线视频免费观看| 亚洲、热| 国产AV一区二区三区最新精品| 人妻熟妇六区| 色婷婷丁香AV综合| 狠狠操狠狠干综合| 精品九九网| 99热免费精品| 久久久大香蕉| 天天舔天天爽| 99热精品一区| 涩涩激情五月婷婷| 五月丁香偷拍| 4399亚洲视频| 色情综合网| 色婷婷欧美在线| 国产精产国品一二三在观看| 天天做天天要天天爽| 色色综合网站| 欧美婷婷五月激情| 色亭亭丁香五月天| av在线免费网站| 婷婷五月色| 国外亚洲成AV人片在线观看| 伊人AV五月婷| 丁香婷色| 九九激情| 日日夜夜天天爽| 激情久久网| 另类激情综合| 色五月丁香激情视频| 色综合激情图区| 久久小片| www.99久| 亚洲激情综合网| 五月天色婷婷av| 婷婷激情97| 999激情视频| 99国产小视频2013| 九九婷婷热| 色爽九九| 五月婷婷色男女| 97人人干。| 很很干天天干| 99热免费精品热久久66| 国产九月婷婷| 色婷婷基地| 婷婷的五月天另类视频| 99视频极品在线香蕉| 婷婷五月综合激情| 思99热精品久久只有精品| 99re热视频这里只精品| www激情| 丁香婷婷六月婷婷六月婷婷六月婷婷 | 激情网五月| 国产亚洲色婷婷久久99精品91| 九九99九九精品免费| 天天做天天爱天天爽| 天天日日人| 五月婷婷黄色毛片| 99这里只有精品视频| 丁香五月婷在线| 秋霞成人毛片一级A片| 午夜大香蕉| 伊人五月天在线| 久久久久久天天日天天爱| 丁香六月欧美| 另类图片天天影视在线观看| 一个色的综合| 日本在线视频播放91| 九九99九九精品免费 | 射久久丁香五月| 九九热精品| 思思久久精品| 五月丁香婷婷AV天堂| 五月丁香六月婷婷久久| 日日鲁鲁鲁夜夜爽爽狠狠视频97 | 五月丁香六月停停停| 五月丁香六月欧美综合网站| 天天爽,夜夜爽| 丁香婷婷综合五月天| 99久久综合网| 开心五月天激情网| 99视频精品视频| www激情网站| 最新无毒无码AV| 丁香五月大香蕉| 五月丁香六月欧美综合| 玖玖99免费视频| 果冻传媒A片一二三区| 五月天com| 色五月欧美| 久久99色色| 99久精品视频| 亚洲正能量欧美| 国产 码在线成人网站| 99精吕视频在线观看了| 99久久国产宗和精品1上映 | 色婷丁香| 欧美精品狠狠色丁香婷婷| 丁香六月婷婷久久综合| 亚洲色图五月丁香| 久久久五月婷婷| 婷婷久久五月天中文字幕在线观看| 麻豆AV一区二区三区| 开心激情网五月天| 开心婷婷丁香五月| 五月天玖玖狠狠色色| 欧美狠狠一在草| 99九九99九九九视频精彩| 97人人操人| 成人龟情网丁香五月| 综合久久婷婷| 久久婷婷五月综合啪| 日韩在线五月天婷婷| 五月丁香啪啪激情| 殴美激情综合网| 婷婷五月综合色中文字幕| 久久91久久精品久久| 婷婷五月丁香五月| 最新av在线观看| 第四色婷婷丁香五月| 六月五月久久丁香| 99热久只有精品首页| 久久久久视剧HD| 五月丁香婷草| 99视频精品在线| 狠狠操狠狠干综合| 五月丁香狠狠地噜噜噜噜| 亚洲一色色色色色色色色| 婷婷色网站| 亚洲啪啪视频| 色狠狠999综合| 99久久精品国产色欲| 久热婷婷在线视频| 操比激情五月| 99燥99日| 99精品在线观看视频| 婷婷五月综合激情| 色五月婷婷基地| 午夜成人网站在线观看| 色综合五月天| 激情五月天开心| 久久婷婷综合五月天| 噜噜色噜噜网| 五月婷婷丁香瑟瑟视频| 激情五月五月五月婷婷| 亚洲激情丁香五月基地| 天天插天天很| 青青草蜜臀| 色婷婷香蕉| 婷婷五月天久久久| 五月婷婷啪啪网| 99久.| 日本99在线视频| www.五月婷婷.com| 国产1区2区3区| 欧美婷婷日本| 婷婷五月丁香久久| 91啪啪视频| 黄色成人网站在线播放| 91欧美日韩综合| 九九久久五月天综合伊人| 综合色色婷婷| 九九人妻福利| 九九免费精品在线视频| Se.婷婷五月天| 婷婷在线视频| 激情综合4月| 快乐激情五月色婷婷| 91人人操人人| 黄色大片又大粗又爽| 激情丁香久久| 亚洲综合视频一下| 日日操夜夜爽白洁| 四虎成人精品永久免费AV九九| 人人97操| 五月婷婷六月丁香首页| 99日本在线| 狠色综合网| 变态另类9| 在线另类视频| 婷婷五月天久久久| 99色看这里只有精品| 色丁香久综合在线久综合在线观看| 丁香婷婷五月综合影院| 天天日综合网射| RenRenSe在线视频网站| 五月天俺去也| 丁香激情网| 99热在线播放| 中文幕无线码中文字蜜桃| 最新无码专区| 97色射| 色情开心五月| 中文字幕av久久爽一区| 国产99精品免费视频| 天天日天天操天天干| 都市激情小说婷婷| 狠狠干夜夜干| 婷婷久久网| 一本色道久久88综合日韩精品| 欧美精品狠狠色丁香婷婷| 亚洲9久久精品| 99碰视频| 9福利性视频欧美| 91蜜桃婷婷狠狠久久综合9色| 五月激情综合婷婷| www.五月天激情| 亚洲美女高潮久久久久久69| 丁香五月天婷婷激情| 成人综合视频网址| 婷婷终合色图| 中美日韩成人在线| 六月婷婷深深爱| 热99精品视频| 大香蕉啪啪| 婷婷五月激情综合| 99热传媒| a色婷婷| 99这里精品| 久久精品小视频| 99久久五月婷婷| 五月天婷婷在线观看| 99在线精品免费视频| 日本激情综合| 久久婷婷网| 婷婷五月天com| 五月丁香亭亭| 99re6在线视频精品免费| 婷婷丁香视频| 久久99激情| 激情婷婷啪啪| 婷婷欧美| 久久一级免费黄色片| 国产韩日亚洲美州欧亚综合在线| 激情宗合网激情五月天| 久久久www| 亚洲第一综合| 大香蕉伊人丁香五月| 国产免费av在线| 婷婷五月天影视网址| 色五月首页| 五月丁香啪啪网| 色天使久久综合| 婷婷色色五月天| 99久热这里只有精品视频删减版| 日本成人噜噜噜噜噜| 五月丁香操婷逼| 中文中文在线| 99热99极品观看| 综合色综合| 色五月婷婷影院| 婷婷五月丁香激情图片| 日韩抽插操逼| www.91九色| 久久色大香蕉| 香蕉综合网| 免费观看欧美成人AA片爱我多深| 婷婷成人五月天| 激情五月婷婷她| 日本va网站| 97超碰人人操| 亚洲欧美日韩另类| 99热碰碰热| 色吧五月婷婷| 91chinese在线| 99热亚洲综合| 综合激情五月丁香| 国产一级片| 激情五月天.色网| 婷色成人| 五月天丁香成人| 97碰精品| 深爱五月月天| 日本激情91| 婷婷影院A成人| 久久五月天激情美女| 日日噜噜夜夜狠狠久久丁香五月| 日韩在线观看网址| 色99视频| 超碰国产AV| 亚洲电影中文字幕| 青青草a在线| 亚洲精品亚洲人成人网| 在线超碰91| 丁香六月天之亚州热女 | 超碰在线成人| 丁香六月在线| 亚洲男女激情| 玖玖在线视| 开心五月深爱五月婷| 欧美丁香婷婷五月| 99爽视频| 拳交大逼| 色色色综合| 大香蕉婷婷丁香视频在线| 99热这里只有精品86| 五月婷婷电影院| 五月丁香六月色情网欧美| 91精品综合久久婷婷九色| 99热传媒| 日韩AAA| 日韩成人电影在线播放| aV欲望人妻中文字幕| 精品国产va久久久| 七月丁香婷婷 色色| 激情综合婷婷| 丁香五月婷婷亚洲综合精品| av线电影| 直接看的av| 色约约视频一区二区三区四区五区 | 91综合在线| 亚洲婷婷欧美婷婷| 看逼中文字幕| 五月婷婷免费| 99ER热精品视频| 欧美色五月| 色婷婷导航| 天天搞天天色综合| 成人免费高清在线播放| 色综合女人99| 婷婷五月18永久免费视频| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 婷婷五月天另类网站| 久久无码成人| 激情播丁香| 六月色色| 99热久只有| 超碰av在线| 91婷婷| 天天干夜晚夜操| 91精品久久久久久久| 综合久久婷婷| 99热九九这里只有精品| 超碰99热| 大香蕉五月婷婷| 色婷婷综合久久久久| 综激情网| 综合色色网| 99 r热| 任你爽视频| 婷婷,五月天,丁香,第一| 九热视频| 丁香花五月天| 97色 五月天丁香| 直接看的AV网站| 五月色丁香婷婷综合| 天天激情站| 日本97在线| 久久久久9| 婷婷激情丁香五月婷婷激情丁香五月婷婷| www色色com| Va另类视频| 婷婷五月天最新网址| 国产熟女日日骚五月丁香爱| 影音先锋自拍网| www夜夜操comwww| 久久久久97| 婷婷五月天天天| 大香av| 久久九九@| 99无码视频| 婷色五月天| 99热精品一区| 99精品久久| 色色色欧美色色| 婷婷五月精品中文| PORNY九色9l自拍视频成人| 五月花综合| 午夜精品人妻无码一区二区三区| 9久久精品| 九色PORNY9l原创自拍| 久久激情综合| 精品综合网在线| 婷婷五月六| 久久久久9| 日韩中文字幕| 色播五月婷婷五月| 成人电影在线免费试看| 五月天久久婷婷| 色亚洲视频| 九色在线五月婷婷网址| 婷婷丁香综合| 人人性久久| 五月综合久久| 日日操天天| 91丨九色丨高潮丰满日本| 成人综合网站| 狠狠草狠狠草| 射区导航| 狠狠色丁香| 亭亭五月色男人| 影音先锋噜一噜| 成人午夜天| 丁香五月婷婷色| 亚洲综合网在线| 九九99久久| 久操综合| 精品国产一区二区三区四区阿崩| 色狠久| 超碰大香蕉网| 久久精品国产一区二区三区四区| 天天成人综合| 狠狠爱婷婷色| 五月天激情四射| 热久久视频99| 色九亚洲| 国外亚洲成AV人片在线观看| 狠狠色婷婷六月激情网| 婷婷情色五月天| 久久小说网| 婷婷深爱五月丁香| 五月天无码| 超碰自拍天堂| 久久色五月| 激情五月天色爱| 五月天丁香网站| 五月天丁香婷婷久久九| 91超碰在线观看| 久久66精品| 99热很操老逼| 99亚洲视频| 这里只有精品免费视频| 色激情综合狠狠婷婷| 久久婷婷艹| 五月天综合| 人人干人人操人人摸| 亚洲美女婷婷五月天| 99小视频在线观看| 中文字幕无码人妻少妇免费视频| 91性高潮久久久久久久久| 99热这里有精力| 六月婷婷私欲| 偷拍91九色| 九九aV| 六月丁香社区| 婷婷五月成年人| 日韩在线一级| 无码91中文字幕| 五月婷婷无码| 精品人妻一区二区三区四区不卡在| 天天摸.天天mo| 国产婷婷色综合AV蜜臀AV| 99精品在| 亚洲天堂热| 久久182| 99热精品在线| 国产精品视频| 色综合网综合| 色婷婷五月天激情| 丁香九月激情久久| 综合色、色综合| 五月色网| 97色啪| 天天插夜夜爽| 婷婷五月色| av成人在线播放| 五月天婷婷丁香成人网| 天天干一干| 99在线视频精品| 色婷婷五月综合| 五月丁香六月情婷婷久久| 国产成人网址| 97色女人在线| 五月婷婷很很色| 97色在线| 人妻中文在线| 激情综合网五月婷婷| 开心五月天激情| 丁香狠狠| 色九月丁香婷婷蜜桃在线观看| 婷婷五月色| 色色色免费视频| 婷婷欧美| 俺去也在线www色官网| 五月天激情综合在线| 久久99精品久久久久久噜噜| 涩涩激情五月婷婷| 九月丁香婷婷基地| 九九99热久久精品66中文字幕| av五月天婷婷丁香| 婷婷天天综合| 五月天婷婷爱丁香中文字幕| 五月婷丁香花| 婷婷五月丁香综合| 九九热99视频在线| 色色九区| 操逼综合网| 第四色色色色色丁香五月天| 被强行糟蹋的女人A片| 三级三久久线久久99久目本WW| 超碰在线国产| 久久婷色| 91人人操.COM| 偷拍五月丁香| 超碰1999| 操操操AV| 韩国三级五月天婷婷。| 亚洲婷婷五月天激情综合| 丁香五月亚洲无码| 狠狠擼综合| 精品国产va久久久久| 丁香五月久久| 欧美日韩91|