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
在线看黄色| 色色色色五月天| 日本成人噜噜噜| 五月色亚洲| 五月丁香综合啪啪| 激情网婷婷婷| 久久五月天色婷婷| 国产精品岛国片在线观看免费| 精品久热69| 五月天无码| 少妇出轨做爰高潮A片| 婷婷五月丁香六月综合网| 天天综合网91| 亚洲自拍天堂| 99精品久| 九九综合九| 少妇人妻人伦A片| 热久久成人| 日韩成人综合网| 狠狠色噜噜狠狠狠888了| 日韩伊人大香蕉| 激情综合网五月天| 亚洲成人影视在线观看| 五月天婷婷综合| 99热欧| 久热伊人9| 国产精品久久久久久喷浆| 综合在线色婷婷| 色吧综合网| www.lchjjc.com| AV在线大香蕉| 婷婷色网站| 天天爽天天干| 九九久久99| 亚洲精品无码久久| 激情丁香五月天| 国产精品视频| 国产激情AV| 激情小说 五月天| 婷婷色五月综合丁香| 亚洲国产网站| 国产精女同一区二区三区久| 丁香五月影| 天天骑天天操| 日日夜夜狠狠| 五月婷婷影院| 中文字幕无码人妻少妇免费视频| 图片区 小说区 区 亚洲五月| 久久Xx| 激情色视频| 五月丁香少妇A| 99人妻碰碰碰久久久久禁片| 九九五月天| 香蕉中文在线| 色综合大香蕉| 色婷婷五月天成人网| 亚洲天堂制| 538在线精品| 天天狠狠夜夜狠狠2023| 日日干夜夜干| 久久久久9久无码视频| 99精品偷自拍| 久久五月天 91| 丁香婷婷五月份| 色五月综合| 色三级色三级| 日本婷婷| 热久久999| co超碰在线观看| 嫩草AV久久伊人妇女超级A| 免费黄色片子| 97超级碰人人| 亚洲婷婷久久综合| 欧美激情丁香五月| 五月丁香欧美综合| 97资源欧美日韩大香蕉超碰一区| 丁香五月成人社区| 国产AV一区二区三区日韩| 久久婷婷六月综合综合| 91女人18毛片水多国产| 丁香激情网| 九九热黄色| 色婷婷黄色网络| 狠狠艹狠狠艹| 99免费热视频| 五月丁香影视| 五月丁香花激情啪啪网| 婷婷五月激情四月综合 | 色五月网址| 在线观看五月婷婷网| 色玖玖爱| 97在线视频观看| 亚洲电影在线观看| 色六月婷婷| 婷婷亚洲激情在线观看视频 | 五月天激情图片| 99热这里有精品6| 手机看片日日做夜夜| 操操操操操电影网| 泰州成人视频| 色五月天丁香婷婷色| 色婷婷免费观看| 久久五月婷综合网| 亚韩在线视频| 婷婷五月日本| 深爱开心激情网| 五月丁香婷婷欧美| 美女久久婷婷| 天天 青草 制服丝袜 在线| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 婷婷六月激情| 香蕉久久五月| 激情网站五月| 五月天婷婷在线视频| 亚洲九区| 色婷婷五月天成人网| 丁香六月婷月91婷月| 色五XX| 久久狼人天堂| 午夜丁香六月婷| 久热久色| 成人在线精品| 99精品一二三四视频| 婷婷色香六月综合激情| 99热6精品| 91av成人| 婷婷激情欧美| 99国产精品久久久久久久久久久 | 综合图区激情| 嫩BBB槡BBBB搡BBBB| 成人在线视频一区| 久久精彩视频| 牛牛色av| 五月丁香淫淫婷婷婷| 91啪啪视频| 91精品久| 丁香六月色婷婷| 婷婷五月天色| 久热这里只有国产| 色5月婷婷| 操逼巨乳91| 婷婷五月激情在线| 91精品久久久久久久久久| 99热综合| 91久热| 婷婷五月综合网| 啪到高潮激情丁香五月| 五月婷婷综合在线视频| 精品草原久久视频| 亚洲一区二区 成人网站戴套| 五月天婷亚洲天综合网综合| 亚洲天堂久久| 天色综合网站| 色天堂婷婷| 99色6爱9热| 久99久精品| 超碰成人影视| 另类视频五月天| 婷婷伊人欧美| 五月天另类激情在线| 91黄色五月天视频| 日韩小视频在线99| 色停停五月天| 亚洲黄网在线| 开心深爱激情网| 91九色在线观看免费| 99热在线观看亚洲区| 蜜臀久久99精品久久久久久酒店| 激情五月天婷婷视频| 欧美精品在线观看| 天天做天天爱天天爽综合网| 五月天丁香成人| 五月天丁香婷| 99热精品少| 五月天社区| 激情五月天综合图片小说网站| 99热免| 97色碰| 婷婷久久网| 97碰在线视频| 婷婷成人基地| 五月天婷婷丁香基地在线观看| 丁香五月 性爱| 另类小说激情五月天| 九 九九九AV| 天天天天色天天天天天干| 亚州成人综合在线| 色婷婷亚洲| 大香蕉综合网| 色色网站日本91| 婷婷五月天激情诱惑| 九九热99精品| 五月婷色| 丁香婷婷激情四射五月| 狠狠色综合久久| 九艹在线| 在线看九一V图片| 人人色性网| 99燥99日| 五月丁香婷婷色色色| 色婷婷五月天中文字幕| 丁香花狠狠婷婷亚洲中文字幕| 可以直接看的av| 九九九九综合| 激情婷婷狠狠干综合| 96五月丁香熟女| 久久综合五月婷婷| 国产国产乱老熟女视频网站97| 婷婷五月天伊人在线| 不卡在线超碰| 我爱大香蕉| 伊人丁香花综合影院| 丁香五月www| 成人在线网| 五月综亚洲| 久久天堂婷婷五月| 丁香五月五月婷婷欧美大香蕉| 五月婷婷激情综合网| 啪啪综合| 熟妇国产| 亚洲视频一区| 99视频精品在线| 五月天综合图片| 99啪啪| 五月久久丁香| 99久久综合网| 无码区婷婷五月花开| 色五月婷婷中文字幕在线观看| 激情综合网激情五月婷婷| 99色五月| 91精品久久久久、久五月天| 色婷婷综合网站| 九九激情综合| 婷婷网影院| 97超碰,人人舔,人人操,人人摸 | 狠狠舔| 综合婷| 国产99久久久国产精品免费看| 久草热在线视频| 热99热| 99热国内精品| 五月丁香激情四射| 91久久色| 日本99视频精品免费播放| 双性美人被调教到喷水A片| 91热在线| 亚洲AV网站| 日韩无码色色| 色综合激情| 99色丁香婷婷综合网| 五月丁香婷婷啪啪| 、激情六月天| 天天做天天爱天天摸| 亚洲色色香蕉| AV五月丁香| 色播五月婷婷| 五月噜噜噜色综合| 日日想日日夜日日操| 91一起艹| 五月丁香六月综合情在线观看| 99碰视频| 五月天婷婷免费| 五月丁香婷婷啪啪综合| 婷婷五月色色| 五月丁香婷婷综合| 综合99在线| 日本99热| 五月色导航| 99热热九九| 丁香五月香蕉在线| 五月激情综合五月| 亚洲欧美另类在线23p| 视频这里只有精品16| 伊人青草成人| 五月花亭亭| 5月婷婷6月丁香aV| 夜夜爽天天日| 婷婷六月情| 五月婷婷六月少妇激情| 久久久久久久人妻| 99精品综合| 丁香五月天视频| 丁香五月在线| 五月天社区婷婷| 男女啪啪视频久 9| 超碰在线视屏| 南京搡BBBB搡BBBB| 九热av| 人碰人人人玩91| 97碰碰久久| 高清av在线国产| www久久久久久| 91热视频色网站| 九热视频在线伦| 综合色吧| 亚洲色五月天在线| 亚洲五月停停| 国产精产国品一二三在观看| av在线不卡播放| 欧美久久网| 久9热在线视频| 激情五月天综合网站网站网站| 天天在线天天综合网色| rr天天操| 深爱五月婷婷| 色吊丝永久访问网址| 欧美A级网站| 五月综合激情图片| 日本婷久久| 99热色精品| 665566 无码| 久热久操久热久草国产91| 久久9精品| 亚洲、热| 五月丁香色婷婷| 玖玖99婷婷| 九九精品99| 天天插夜夜爽| 九热视频| 内射综合网| 亚洲成人网站在线观看| 成人丁香五月婷| 99在线观看亚洲| 色婷婷五月天堂资源| 夜夜爽天天爽| 国产av网| 天天操天天操| 综合久久99| 五月婷婷丁香91| 色色色在线| 激情五月六月丁香| 亚洲va成人va成人va在线观看| 婷婷综合在线网| 婷婷丁香社区网| 能直接看的av网站| 丁香五月激情图片婷婷| 成人精品一区二区三区四区五区 | 99这里只有精| 色五月色图| 色婷亚洲| 五月丁香婷久久| 欧美成人无码一区二区三区| 久久综合婷婷| 91欧美日韩综合| 五月婷婷五月天激情网| 99碰碰。| 六月婷婷久久大全| 婷婷丁香无码专区| 国产日日夜夜操| 91丨九色丨国产打屁股| 非洲一级AV| 久久久久久久久人妻| 欧美成人AAA片一区国产精品| 色呦呦美女| 美国色五月天婷婷资源站| 日产精品一线二线三线芒果| 日日操夜夜爽白洁| 久久久久久久人妻| 影音先锋xfplay资源男人网| 99热这| 九九色区| 美欧日韩国产成人在战| 婷婷涩五月| 六月婷婷开心| 日本乱论99| 色色色图| 婷婷成人AV| 五月婷婷成人| 影音先锋91| 五月婷婷在线免费观看 | 亚洲丁香婷婷| 天天干天天干天天操| 超碰婷婷五月| 五月丁香六月情| 亚洲综合欧美色丁香婷婷888月图片| 丁香久久五月天视频在线观看| 欧美韩国日本| 欧美色欲色欲天天天www| 亚洲妇女熟BBW| 天天综合亚洲| 黑人糟蹋人妻HD中文字幕| 日日噜噜夜夜狠狠久久丁香五月| 影音先锋按摩| 夫妇交换刺激做爰| 中出内射的人妻视频| 情欲禁地| 狠狠干综合网| 五月婷六月| 丁香五月色| 久久视屏这里只有久久| AAA级久久久精品| 五月天婷网| 碰碰碰91| 婷婷丁香五月天激情| 婷婷激情丁香五月婷婷激情丁香五月婷婷 | 婷婷五月丁香激情图片 | 日日夜夜小色哥| www.9色色色| 2020日日干| 五月丁香啪啪啪综合网| 婷婷大香蕉| 五月丁香999| 色色色九九九五月婷婷| 婷婷爱五月| 久草大| 超碰91在线| 丁香五月人妻熟女| 99热精品99| 色婷婷综合网| 婷婷五月天人妻| 一级性爱大片| 婷婷久月| 色偷偷狠狠| 色色色综合色| 九九色情网站| 99热精品在线播放| 俺也高清无码高清视频| 丁香5月激情网| 九九操屄| 99自拍视频网站| 深爱激情四射| 超碰在线免费9| 白人荫道BBWBBB大荫道| 色综合久久中文| 色久婷婷网| 97碰精品| 亚洲无AV在线中文字幕| 午夜激情综合| 欧美国产一区二区三区| 日韩一66精品| AV在线观看网站| 综合久久丁丁香婷| 亚洲操B| 五月花综合视频| 五月婷婷六月天| 激情 久久 婷婷| 色99网| 丁香五月婷婷在线观看| 九九这里精品| 五月综合激情图片 | 大香蕉久热| 五月婷婷co.m| 激情小说五月天社区丁香| 人人操91色| 国产熟妇的荡欲午夜视频| www.99热精品| 五月天婷婷丁香| 色欲香综合网| 99在线观看这里都是精品| 1024操逼视频| g00d人体西西| 婷婷人妻激情| 操碰99在线视频观看| 大香蕉婷婷| 91九色国产| 五月丁香婷婷综合视频| 5月婷婷五月天| 亚洲五月婷天天操| 五月天激情小说电影| 亚洲久热| 中文字幕在线免费观看视频| www.99久久久| 91操熟女| 亚洲中文字幕AV| 久久爱综合| 99在线视频观看| 亚洲精品又粗又大又爽A片| 日本片日本片祼观看网站在线看中文版网页在线看 | 亚洲狠9| 亚洲亚洲人成综合网络| 51精品国自产在线| 五月停性愛| 欧美97超碰| 国产av网| 婷婷五月五月丁香| 久久精品A片777777| 99久re热视频精品98| 任你爽视频| 99男人的天堂| 99热这里有精品| 五月婷在线观看| 色99在线视频| 国产XXXX搡XXXXX搡麻豆| 4399成人黄A片| 激情五月综合网| 人人操AV| 日韩黄在免| 九九色情网站| 色吧99| 伊人青涩网| 国产免费一区二区三州老师F1F1……| 91日日日| 九九综合视频在线观看| www好屌操| 五月天在线视频尤物视频在线看| 开心五月婷婷婷美女| 五月天开心婷婷激情网站| 五月丁香婷婷综合网| 日韩在线观看亚洲| www.色五月| 色爱综合网| 日本一級黃色一級片| 97luluse| 97视频久久| 熟女激情网| 亚洲99手机免费看视频| 丁香五月激情综合| 99这里只有精品| 青草视频在线播放| 玖玖婷婷色五月| 啪啪啪综合网| WWW,婷婷,COM| 极品人妻VideOssS人妻| 国产一级黄色影片,| 六月婷婷视频| 欧美婷婷五月无砖| 另类激情综合| 日本狠狠色| 九九热视频精品999| 成人网站av免费网站推荐| 91色综合| 狠狠色丁香久久婷婷综合五月| 99色| 国产黄色在线观看| 久久久久久久久99精品| 久久久久99精品成人片| 97操操操| 97人人干。| 丁香婷婷91在线观看视频| 丁香五月欧美| 91啪啪网| 日本在线噜噜| 9久精品视频| 九月丁香久久网| 午夜激情婷婷| 天天精品视频免费观看| 亚洲成av人影院| 色欲影香| 99在线观看视频| 97在线刺激| 色爽干| 香蕉婷婷色五月| 九九热在线视频,| 五月丁香91| Www.久久| 99精彩视频在线观看| 99久久婷婷五月综合| 2025神马午夜福利| 婷婷,五月天,丁香,第一| 五月婷婷啪啪| AV中文字幕夜夜操b天天摸bb | 欧美色图45678| 婷婷五月天免费视频| 五月婷婷五月天| 婷婷九九| 国产精品色婷婷99久久精品| 成人五月丁香花| 丁香九月婷婷综合| 99精色| 亚洲精品无AMM毛片| 99久久久免费| 97干在线播放| 婷婷综合影院| 激情九九六月激情免费视频| 啪啪操网| 综合五月天完整| 亚洲精品V天堂中文字幕| 91精品久久久久| 蜜臀99精品| 婷婷五月激情视频网| 五月综合777| 99热国产| 五月天三级| 久久99网站| 色色精品色| 99精品久久| 97丁香五月| 丁香五月天婷婷中文字幕| 婷婷五月天国产性感美女演员久久久久| 九九家庭影院| 开心激情五月天网| 综合五月丁香久久| 人妻AV在线| 婷婷丁香视频在线观看免费| 久久色情| 99这里的视频都是精品| 成人精品一区日本无码网| 五月天婷婷黄色视频| 婷婷深爱五月天| 九九精品在线视频观看| 97天堂| 激情婷婷人妻| 五月丁香啪啪| 成人狠狠成人狠狠成人狠狠成人狠狠 | 中国无码av| 99热日本| 9 1大香蕉| 精品久久这里热66| 99久精品视频| 中文字幕 中文字幕明步| 操操操www.com| 色婷婷色99国产综合精品| 亚洲五月天第一综合干| 精品亚洲国产成AV人片传媒| 99精在线| 亚洲色色色色色| 嫩草AV久久伊人妇女超级A| 丁香五月婷婷激情蜜桃| 丁香五月婷婷亚洲综合精品| 色婷婷成人做爰A片免费看网站| 久久这里99| 婷婷丁香综合在线| 五月天综合网| 五月婷在线色视频| 99ri视频在线播放| 色优久久| 综合五月激情网| 嫩草视频观看| 中文字幕人妻熟女在线| 99视频在线观看欧| 色私五月婷婷| 秋霞少妇AV网站| 色婷婷a| 开心 五月 综合| 97色综合| 色香欲综合| 99热视精品| 色99热| 国产FREESEXVIDEOS性中国| 婷婷婷婷色| 日本久久精品| 久热精彩视频98| 国产成人av在线播放| 丁香五月婷婷六月婷| 97成人在线视频精品| www.婷婷六月天| 欧美成人网99网| 色色精品色| 9久热在线视频| 婷婷五月色| 美女丁香五婷婷| 99热只有精品在线播放| 色婷婷久久视屏| 亚洲妇女熟BBW| 久婷五月| 丁香婷婷色色| 六月婷婷在线视频| 一级黄色片看看| 五月天婷婷成人网| 亚洲男女激情| 亚洲激情av| 第四色大香蕉| 青青草五月天| 婷婷伊人五月天| 色色色色色色97| 亚洲综合激| 久热婷婷| 成人AV在线电影| 国产午夜精品一区二区| 国产色香蕉精品五夜婷| 三日本无码| 夜夜嗨一区二区三区直播内容| 亚洲天天| 国产日韩欧美性爱| 九九免费视频| 99热这里是精品| 成人网在线视频| 五月天激情婷婷| 日韩五月丁香| 亚洲五月花| www.成人婷婷综合| 99无码黄色视频| 丁香六月色婷婷| 五月丁香六月婷婷综合网站| 婷婷综合激情| 色婷婷精品视频| 久久9热| 激情综合在线观看| 成人AV免费观看| 99色婷婷| 99在线精品视频| 免费看欧美成人A片无码| 欧美性生交XXXXX无码小说| 六月丁香五月婷婷| 亚洲V国产V欧美V久久久久久| 伊人干练久| 第四色婷婷最爱| 丁香五月亚洲综合| 天天日天天干天天天| 真实亲子乱子伦高清在线观看| 丁香五月天AV| 99九无网码| 婷婷中文在线| 丁香五月AV| 亚洲欧美日韩VIP| 亚洲精级| 91成人看片| 狠狠艹狠狠艹| 丁香色五月婷婷91桃色| 色欲午夜无码久久久久久张津瑜| 五月婷六月| 天天干,天天日| 日本色色色色色色色色一色二色| 欧美成综合在线观看| 啪啪夜久久| 天天日天天添| 婷婷五月天激情综合网| 日本天堂免费99| 五月婷婷五月| 九九99九九精品视频| 综合色影院| www.av视频xx999.com| 亚洲六月婷| 久99热在线观看| 99噜噜噜在线播放| 九月丁香欧美综合| 国产伊人五月天| 亚洲天堂色| 人人操人人干AV| 日韩99色| 亚洲免费观看高清完整版AV线| 99热精品免费| 五月婷综合激情| 婷婷丁香视频在线观看免费| 91精品综合久久久久久五月丁香 | 色婷婷精品视频| 99色最新在线视频| 五月天激情网图片| 婷婷丁香社区| 99热9999| 五月婷婷在线综合| 在线只有精品| 五月丁香久人妻中文| 人妻在线中文字幕久久| 伊人久久大香网| 激情婷婷狠狠干综合| 亚洲第一成人无码A片| 色色色色色色综合| www.婷婷五月| 狠狠色大香蕉| 99热视精品| 人人草人人舔| 九色无码| 天天综合网网欲色| 超碰v| 婷婷色丁香五月| 思思热高清在线观看| 欧美交换配乱吟粗大25P| 日韩精品超碰在线观看| 五月婷婷人妻| 狠狠精品干练久久久无码中文字幕| 婷婷五月综激情| 婷婷久久草| 五月婷婷综合激情小说| 思思久ren热| 色婷婷五月在线| 97人妻人人| 亚洲噜色| 激情AV网| 在线五月色播| 9色在线| 99自拍视频在线观看| 五月天色婷婷综合| 大大香蕉综合在线| 99.色| 情欲禁地| 视频免费精品免费精品免费精品免费精品免费精品免费精品免费99 | 人妻VideOssS人妻| 91久久久久久久久久18| 99小精品| 9l视频自拍9l九色成人| 青草网在线观看| 97综合在线| 婷色五月天| 婷婷色五月激情强奸四射| 91视频久久久| 99热精品无码| 91大屁股精品| 中文字幕成人影视| 手机旧版看人妻1025| 人人摸人人| 玖玖精品婷婷| 噜噜狠狠色综合久| 五月激情婷婷国产精品久久久久久| 亚洲区在线| 婷婷射婷婷舔| 亚洲欧美日韩另类| 色五月色五天免费视频| 色婷婷综合电影| 色婷婷电影网| 久久多色| 九九香蕉网| 五月色 亚洲| 国产黄色在线| 天天综合社区| 超碰高清在线| 亚洲激情av| 天天人人综合| 国外亚洲成AV人片在线观看| 婷婷伊人五月| 亚洲色综合色网| 九色无码| 久久久久久久丁香五月天婷婷| www.超碰在线| 丁香五月婷婷成人网| 欧美精品狠狠色丁香婷婷| 五月丁香六月婷婷无码| 超碰在线观看9| 五月天婷婷在线AN| 亚洲综合丁香五月| 六月婷婷操逼| 五月激情综合网| site:picc-up.com| 色五月开心久久网| 激情综合无码| 狠狠va| 日本9区视频| 99在线69| 日韩六六久久电影| 婷婷五月中文字幕| 久久综合激情| 天天操夜夜肏| 亚洲黄色精品| 亚洲精品V天堂中文字幕| 桔色成人在线| 97在线精品| 亚洲人操亚洲人| 亚洲黄色精品| 久久机热这里只有| 九热免费视频| 天天揷综合网| 亚洲成人AV在线播放| 婷婷六月婷婷| 色婷婷精品视频| 五月婷婷五月天| 五月六月伦理| 热的国产,热的综合,热的有码 | 色五月婷婷激情基地| 日本色色网| 激情五月天影院| 天天色天天爱天天舔| 高清国产一级婬片a免费| 久热这里| 亚洲人人操| 天天拍久久| 欧美色色色色色| 丁香五月激情五月色综合| 五月丁香婷婷色| www.丁香五月| 日本女天天爽| 色噜噜五月天| 亚洲天堂色| 99这里只有精品| 伊人五月综合网| 五月天激情日色在线| 午夜色婷婷| 色婷婷色和| 日欧一片内射VA在线影院| 日韩在线视频中文字幕| 综合色五月| 色婷婷婷婷成人网| 色五月激情综合网| 成人网页在线观看| 综合色图婷婷| 啪啪啪综合网| 九九人人操| 超碰网站在线观看| 色色色色av色色色色| 一本道综合网| 玖月婷婷爱丁香| 亚洲最大在线| 激情文学第四色婷婷丁香五月| 婷婷五月天丁香综合网| 色狠狠色噜噜AV天堂五区| 日本婷婷| 色婷婷电影| www色五月| 99热| 播五月,色五月,开心五月播放器| 久久久人妻门| 天天色天天舔天天爱天天爽| 深爱激情四射| 狠狠色性| 亚洲avjiujiur91| 激情丁香婷婷六月天| 中文字幕在线免费观看视频| 99狠狠色| 久久刺激网| 991精品在线视频| 黑人熟妇一区二区三区| 99婷婷五月天激情| 琪琪色影音先锋| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 99热超碰在线| 久草热在线视频| 这里只有精品1| 超碰99在线观看| 五月婷久久| 婷婷久久久| 久热这里只有精品99re| 色久天| 色五月播五月| 婷婷五月天网| 国产美女无遮挡裸体毛片A片| 日韩一级片| 中国丰满熟女A片免费观| 亚洲无AV在线中文字幕| 国产又爽又猛又粗的视频A片| 大战熟女丰满人妻AV| 亚洲国产精品二二三三区| 人妻熟人中文字幕一区二区 | 天天综合区| 成人无码中文| 97色婷婷在线观看| 91爱操| 精品视频这里只有精品| 久久婷婷六月| 99这里只有精品在线观看| AA片在线观看视频在线播放| 色婷网站| 99热99天堂| 亚洲欧洲国产精品| 台湾综合丁香五月蜜桃| 亚洲 无码 中文字幕 中出| 五月婷婷九月婷婷九月婷婷| 丁香五月天啪啪| 久久精品4| 色吧综合网| 97久久综合网| www一起操| 色婷丁香五月| 激情五婷网| 中美日韩成人在线| 五月激情影院| 超碰啪啪网| 成人av在线电影| 色五月天中文字幕| 五月激情六月综合| 亚洲第一第二网站| 色图亚洲91| 操人久久| 色五月天天| 99精品热| 五月天社区| 九九热在线视频观看免费10| 丝袜大香蕉| 久热这里只有精品在线| 伊人久久大香网| 中文字幕日本最新乱码视频| www久久久久| 99这里只有精品国产| 中文AV网站| 五月丁香激情综合网| 欧美色色日韩| site:wpjngj.com| 天天干天天干天天操| 九月丁香| …亚洲黄色在线播放日韩、av中文a…| 美女天天艹人人爽| 天天搞天天爽| 欧美槡BBBB槡BBB少妇| 伊人婷婷91| 亚洲五月婷天天操| 超碰人人艹| 91人无码久久久久久| 丁香蜜臀黄色婷婷五月天| 五月丁香六月婷婷久久| 久热免费视频| 婷色五月天| 激情婷婷啪啪| 香蕉久久国产AV一区二区| 91丨九色丨熟女|新版| 丁香婷婷十月| 日本天天操| 综合99综合久久久久久久| 五月婷AV| 99操99| 五月丁香啪啪综合网| 久久久久久综合五月婷婷| 这里只有精品久久| 97五月天婷婷综合激情网| 丁香五月AV综合激情| www.久久爱| 五月天婷婷社区久久综合| 蜜臀嫩草| 狠狠精品干练久久久无码中文字幕| 91狠狠综合网| 日本狠狠色| 久久亭亭电影| 淫荡工a| 成人精品视频99在线观看免费| 中文字幕黄色片| 国产婷婷综合在线免费视频| 97久久精品视频| 天天干天天干天天干天天干天天干天天干天天 | 九色综合网| 亚洲色婷婷网站| 五月婷婷激情| 婷婷综合网站| 九九碰九九爱97超| 日韩 中文 欧美| 影音先锋天天日| 成人在线高清| 日日色综合| 久久中国毛毛片爱久久| 99精吕视频在线观看了| 日本色色视频| 99久久国产宗和精品1上映| 婷婷她六月天| 99热这里只有精品免费| 久操婷婷| 极品人妻VideOssS人妻| 99色视频| 亚洲综合五月天| 亚洲综合激情五月天婷婷| 欧美婷婷综合| 色婷婷五月六月丁香综合视频| 激情五月五月婷婷| 99亚色色色| 国产超碰在线| 婷婷五月开心中文字幕色| 午夜天堂一区人妻| 婷婷丁香成人网址| 精品人妻在线免费观看| 婷婷深爱网| 五月婷九月| 亚洲丁香婷婷丁香五月天激情| 中文字幕五月久久婷婷| 五月天婷综合| 婷婷伊人网| 久操热线| 99久久思思| 99日本视频在线观看专区| 欧美日韩AAAA| 欧美色色色色色色| 色五月激情综合网| 九九九九九无码| 99色人| 五月婷婷视频| 99 热国产在| 专区无日本视频高清8| 综合深爱五月| 99热精品10| 欧美婷婷五月丁香| 深爱激情四射| 五月婷综合| 色六月婷婷| 婷婷另类开心| 丁香九色不卡aaa| 激情另类综合| 亚洲综合网激情小说| 五月婷婷欧洲| 99热精品观看| tingting五月天亚洲| 国产激情一区| 91九色精品女同系列| 国产成人VA| 五月丁香婷婷老司机| 亚洲中文字幕av| 五月天婷婷激情小说| 日本理论久久| 日韩成人综合网| 婷婷六月情| 久久婷五月天| 影音先锋一区二区资源站| 97人妻碰碰碰久久香蕉| 色视五月天婷婷| 日韩无码人妻一区二区| 五月天激情网图片| 日日夜夜婷婷| 色五月丁香五月五月婷婷| 色婷婷色和| 色色亚洲| 天天在线XXX| 激情综合网,婷婷| 亚洲AV免费国产电影| www.色五月| 蜜臀99精品| 国产26uuu视频| 久久精品五月天| 五月天丁香久久综合 | 色婷婷导航| 五月天天久久香| 狠色狠色狠色狠色狠色网| 激情綜合網址| 五月丁香亭亭电影久久| www.久久久.com| 99青青草| 美女天天艹人人爽| 丁香久月婷| 人妻激情久久| 日韩999| 五月丁香激情婷婷| 天天操天天爱天天玩| 五月天婷婷色五月天| 超碰高清在线| 亚洲一二三网| 人妻熟人中文字幕一区二区| 久操大香蕉| 婷婷五月天成人网| 国产精品蜜臀99| 一区二区中文字幕| 久久精品4| 婷婷色基地在线看 | 亚洲精品在线视频| 久久久潮喷-久久久九九-成人AV| 成人看片网站| 五月丁香| 97视频.干com| 丁香五月成人网| 狠狠狠狠狠操| 婷婷激情六月综合| 九九综合视频在线观看| 色婷婷亚洲| 婷婷五月丁香花综合| 婷婷丁香综合色AV| 天天综合天综合久久网| 亚洲综合五月天婷婷丁香| 玖玖精品视频| 五月丁香激情综合网| 日本啪啪网| 色播播五月天| 亚洲美女网Va| 天天操天天操天天操天天操天天操| 思思热久久爱| 人人操人av| 天天综合网亚洲综合网| 色五月天网| 久久久精久人妻| 婷婷六月天精品| 婷婷激情鹿城五月天| 美女要搞搞天天搞搞搞网站| 丁香五月在线视频| 免费AV黄在线播放| 婷婷六月丁香综合| 五月天伊人av| 玖玖伦理电影| 人妻乱码久久久| 国产婷婷五月中文字幕高清| 激情丁香淫荡婷婷| 亚洲日韩26uuu| 久色网五月| 99久久大片| 五月婷婷之综合激情| 99视频精品全部观看10| 99只有精品| 五月婷婷偷拍| 丁香五月大香蕉| 操一区| 搡BBBB搡BBB搡18 | 99热草草| 丁香五月天堂网AV| 99爱爱网| 99视频精品| 激情五婷精品网在线观看网址| 99er6| 中文字幕婷婷五月天在线观看| 色婷婷久久综合丁香五月| 久久99网| 久久综合五月天| 99热这里只有精品9| 欧美成人精品A片免费一区99| 天堂久久丁香| 成人免费网站免费看| 丁香五月情| 婷婷激情伍月网| 天天干天天 亚洲| 五月婷在线播放| 91九色|疯狂|高潮|对白|| 成人精品在线| 另类丁香五月天区图| 久久 中文 日本| 激情综合色| 伊人婷婷五月| 五月婷视频在线| 丁香五月婷婷在线| 色婷丁香91| 国产精品美女| 丁香六月天婷婷在线| 婷婷五月天激情综合网| 天天日日夜夜| 成人AV在线电影| 二区成人视频| 99精品久久久久久久婷婷| 一起草无码视频| 极品色丁香| 婷婷色播六月无码| 婷婷六月丁香五月| 色五月丁香五月| 九九九AAA热视频| 亚洲免费看片| 婷婷丁香激情| 亚洲综合1024| 人操综合| 99啪啪视频| 欧美婷婷色五月| 激情五月丁香五月| 两性婷婷丁香五月| 色婷婷久久久| 丁香五月欧美激情| 99热这里只有精品4| 色九月综合| 综合丁香婷婷五月天| 色五月婷婷在线观看| 开心五月婷婷激情| 五月天久久网站| 婷婷在线午夜| 九九操操| 婷婷干六月综合旧址| 亚洲激情校园| 在线中文亚洲| 夜色热久| 色婷婷成人丁香| 这里只有精品视频在线| 97热91| 337p大胆噜噜噜噜噜91Av| 狠狠狠夜夜夜| 专区无日本视频高清8| 91avse| 熟女激情五月天 | 婷婷色色网| 五月丁香综合激情| 伊人热在线大香蕉| 天搞天天天天天| 天天人人人人人人人人人人人| 95精品区一区二| 精品在线| 欧美婷婷日本| 亚洲激情| 久狠日av| 精品香蕉99久久久久网站| 激情综合五月| 色爱综合网| 久久综合九色综合88i| 婷婷六月天精品| 亚洲婷婷五月天| 欧美 日韩 成人 在线| 综合网亚洲| 97色综合视频| 丁香五月成人在线| 99热在线观看| 六月丁香啪| 五月天亭亭俺也| Av九九| 丁香五月AV| 美国不卡视频| 五月花在线观看视频| 色八戒操婷婷| 五月婷丁香亚洲| 51精品国自产在线| 免費亭亭成人| 无码99| 99惹| 五月天激情婷婷| 成人色站,在线视频,看片-SS1AV| 在线综合网| 天天想夜夜爽天天爽| 五月丁香偷拍| 99惹在线精品免费观看| 99热这里只有精品青草| 超碰成人免费| 色色操| 激情五月开心五月在线视频| 久久性爱视频| 国产色婷婷亚洲| 少妇伦子伦精品无吗|