日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

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。

TensorFlow 2.18語(yǔ)音識(shí)別實(shí)戰(zhàn):從MFCC特征到CTC解碼全流程

TensorFlow 2.18語(yǔ)音識(shí)別實(shí)戰(zhàn):從MFCC特征到CTC解碼全流程 簡(jiǎn)介本資源是一套面向深度學(xué)習(xí)初學(xué)者與語(yǔ)音識(shí)別實(shí)踐者的完整TensorFlow項(xiàng)目聚焦于快速搭建可運(yùn)行、可可視化的端到端語(yǔ)音識(shí)別系統(tǒng)有效解決理論多、代碼少、部署難的學(xué)習(xí)痛點(diǎn)。資源包共190個(gè)文件包含115個(gè)語(yǔ)音樣本數(shù)據(jù).data、65張語(yǔ)音特征圖.bmp如MFCC時(shí)頻譜可視化、5個(gè)核心Python腳本含數(shù)據(jù)預(yù)處理、CNN模型構(gòu)建、訓(xùn)練與推理邏輯、4張界面與流程示意圖.png以及1個(gè)已訓(xùn)練好的Keras模型.h5整體體積達(dá)666.68MB結(jié)構(gòu)清晰、即下即用。已有4356人學(xué)習(xí)下載覆蓋高校課程設(shè)計(jì)、AI競(jìng)賽備賽及個(gè)人項(xiàng)目開(kāi)發(fā)場(chǎng)景。讀者可直接復(fù)現(xiàn)語(yǔ)音命令識(shí)別如welcomebananacamera等關(guān)鍵詞分類獲得從數(shù)據(jù)加載、卷積神經(jīng)網(wǎng)絡(luò)建模、模型訓(xùn)練到實(shí)時(shí)預(yù)測(cè)的全流程代碼與實(shí)測(cè)結(jié)果無(wú)需額外調(diào)試即可運(yùn)行演示系統(tǒng)。 很多剛接觸語(yǔ)音識(shí)別的同學(xué)拿到項(xiàng)目的第一反應(yīng)往往是“我要搞一個(gè)很厲害的神經(jīng)網(wǎng)絡(luò)模型”。我最早也是這么想的結(jié)果項(xiàng)目做到一半才發(fā)現(xiàn)真正卡住我的根本不是模型而是一堆看起來(lái)“不太像技術(shù)”的環(huán)節(jié)音頻格式不統(tǒng)一、TensorFlow環(huán)境裝不上、MFCC特征怎么提、音頻和文本標(biāo)簽怎么對(duì)齊。這篇文章就是把這些環(huán)節(jié)一個(gè)一個(gè)拆開(kāi)講清楚。我基于TensorFlow 2.18完整做了一個(gè)語(yǔ)音識(shí)別系統(tǒng)可以識(shí)別若干個(gè)自定義命令詞從環(huán)境搭建、數(shù)據(jù)準(zhǔn)備、模型構(gòu)建到訓(xùn)練推理全部走通核心代碼可以直接復(fù)用特別適合想完整跑一遍語(yǔ)音識(shí)別流程、而不是停留在理論層面的開(kāi)發(fā)者參考。這個(gè)項(xiàng)目我定義為“最小可用語(yǔ)音識(shí)別系統(tǒng)”。它不會(huì)像商業(yè)產(chǎn)品那樣動(dòng)輒幾十億參數(shù)但麻雀雖小五臟俱全該有的音頻特征提取、聲學(xué)模型、CTC解碼、模型訓(xùn)練和推理鏈路全都覆蓋了。你會(huì)發(fā)現(xiàn)跑通它之后再去理解更復(fù)雜的語(yǔ)音識(shí)別框架比如Whisper或者wav2vec2思路會(huì)清晰很多。1. 語(yǔ)音識(shí)別項(xiàng)目為什么我仍然選TensorFlow1.1 這個(gè)項(xiàng)目到底要做什么先說(shuō)清楚目標(biāo)我要搭建的系統(tǒng)輸入是一段WAV格式的音頻輸出是對(duì)應(yīng)的文本標(biāo)簽。為了控制復(fù)雜度我選擇了命令詞識(shí)別也就是常說(shuō)的Keyword Spotting。這類系統(tǒng)的典型應(yīng)用場(chǎng)景是智能音箱的喚醒詞、工業(yè)場(chǎng)景的語(yǔ)音指令控制、手機(jī)端的“小助手”喚起。我選定的命令詞集合是yes、no、up、down、silence一共5個(gè)類別。silence在語(yǔ)音識(shí)別里非常重要因?yàn)閷?shí)際場(chǎng)景中系統(tǒng)會(huì)頻繁收到?jīng)]有語(yǔ)音內(nèi)容的靜音片段如果你不把它建模成一個(gè)類別模型在推理時(shí)就會(huì)強(qiáng)行把靜音識(shí)別成某個(gè)詞導(dǎo)致誤觸。整個(gè)系統(tǒng)包含以下模塊音頻加載與重采樣統(tǒng)一為16kHz單聲道特征提取將原始波形轉(zhuǎn)換為MFCC特征數(shù)據(jù)管道將音頻路徑和標(biāo)簽組裝成可訓(xùn)練的TensorFlow數(shù)據(jù)集聲學(xué)模型Conv1D 雙向LSTM 全連接層損失函數(shù)CTC Loss解碼模塊CTC貪心解碼推理接口輸入一個(gè)音頻文件路徑輸出預(yù)測(cè)文本最后我還在真實(shí)錄音上做了測(cè)試識(shí)別準(zhǔn)確率在干凈環(huán)境下可以達(dá)到95%以上。這個(gè)數(shù)字對(duì)于教學(xué)項(xiàng)目來(lái)說(shuō)已經(jīng)足夠說(shuō)明流程是通的。1.2 TensorFlow與PyTorch的選型判斷2024年討論深度學(xué)習(xí)框架繞不開(kāi)TensorFlow和PyTorch的對(duì)比。很多新入門(mén)的朋友會(huì)看到大量論文代碼都是PyTorch寫(xiě)的從而產(chǎn)生一種“TensorFlow是不是不行了”的疑問(wèn)。這個(gè)問(wèn)題的答案是分場(chǎng)景。PyTorch在研究領(lǐng)域確實(shí)更流行因?yàn)樗膭?dòng)態(tài)圖機(jī)制寫(xiě)起來(lái)直觀調(diào)試方便。但TensorFlow在工程化部署方面的沉淀是實(shí)打?qū)嵉腡ensorFlow Serving支持高并發(fā)推理TFLite可以直接跑到手機(jī)和嵌入式設(shè)備上TF.js能跑瀏覽器端TFLite Micro甚至能跑在MCU上。這些都不是PyTorch短期內(nèi)能完全替代的。我的項(xiàng)目選擇TensorFlow的原因很樸素Keras API寫(xiě)起來(lái)非常直接讀代碼的人不用花太多時(shí)間理解框架細(xì)節(jié)可以專注于聲學(xué)模型本身TensorFlow 2.18對(duì)CPU和GPU的支持都做了很多優(yōu)化就算沒(méi)有獨(dú)立顯卡也能用小數(shù)據(jù)集跑完整個(gè)流程官方教程和社區(qū)文檔覆蓋面廣遇到問(wèn)題很容易搜到解決方案另外我需要強(qiáng)調(diào)框架只是工具語(yǔ)音識(shí)別的核心難點(diǎn)在數(shù)據(jù)處理和模型設(shè)計(jì)。就算你換成PyTorch重寫(xiě)一遍那些坑一個(gè)都不會(huì)少該踩的照樣得踩。2. 環(huán)境搭建虛擬環(huán)境與TensorFlow 2.18的完整落地2.1 為什么非要用虛擬環(huán)境很多初學(xué)者第一次裝TensorFlow喜歡直接在系統(tǒng)Python環(huán)境下執(zhí)行pip install tensorflow。如果你只是臨時(shí)跑個(gè)小實(shí)驗(yàn)這么干確實(shí)省事但只要你的機(jī)器上有多個(gè)項(xiàng)目這種做法遲早要出事。我給你描述一個(gè)真實(shí)場(chǎng)景項(xiàng)目A需要TensorFlow 2.4項(xiàng)目B需要TensorFlow 2.18項(xiàng)目C還需要特定版本的numpy而這些軟件的依賴鏈里往往存在沖突。如果你把它們?nèi)垦b進(jìn)同一個(gè)Python環(huán)境最后很可能出現(xiàn)import tensorflow直接報(bào)錯(cuò)、或者某個(gè)老項(xiàng)目奇怪地跑不起來(lái)的局面。虛擬環(huán)境就是給每個(gè)項(xiàng)目一個(gè)獨(dú)立的Python運(yùn)行環(huán)境本質(zhì)上相當(dāng)于給每個(gè)項(xiàng)目配了一間隔音的房間里面裝什么版本都不影響隔壁。2.2 從零創(chuàng)建環(huán)境到跑通import tensorflow我推薦用conda創(chuàng)建虛擬環(huán)境因?yàn)閏onda不僅管理Python包還能管理CUDA和cuDNN等底層依賴。如果你用的是Windows沒(méi)有GPU直接用原生Python加venv也可以但conda的體驗(yàn)會(huì)好很多。創(chuàng)建環(huán)境并安裝TensorFlow 2.18的具體命令如下conda create -n tf2.18 python3.11 -y conda activate tf2.18 pip install tensorflow2.18.*這里有幾個(gè)細(xì)節(jié)值得說(shuō)明第一Python版本選擇3.11而不是3.12。TensorFlow 2.18發(fā)布了對(duì)應(yīng)的3.12版本支持但3.12的某些第三方庫(kù)比如librosa依賴鏈中的numba可能存在wheel缺失的問(wèn)題。我實(shí)測(cè)下來(lái)3.11是最穩(wěn)的不需要折騰編譯。第二pip install tensorflow會(huì)同時(shí)安裝keras。在TensorFlow 2.18里tf.keras已經(jīng)是官方推薦的使用方式不需要單獨(dú)再裝一份keras。如果你看到網(wǎng)上老教程讓人pip install keras要注意版本匹配問(wèn)題否則可能出現(xiàn)keras和tf.keras混用的怪毛病。第三安裝完之后建議做一個(gè)快速驗(yàn)證python -c import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices(GPU))如果你是NVIDIA顯卡用戶看到輸出的GPU列表非空說(shuō)明GPU環(huán)境配好了。如果沒(méi)有GPU也不用慌這個(gè)項(xiàng)目的數(shù)據(jù)量完全可以靠CPU跑完只是訓(xùn)練時(shí)間會(huì)長(zhǎng)一點(diǎn)。我額外建議安裝librosa用于音頻特征提取pip install librosa scipy numpy matplotliblibrosa是一個(gè)非常成熟的音頻分析庫(kù)MFCC特征提取、重采樣、音頻增強(qiáng)它都有現(xiàn)成接口。不過(guò)要注意librosa的依賴鏈比較長(zhǎng)如果安裝過(guò)程中提示numba版本沖突可以先conda install numba指定一個(gè)兼容版本再pip install librosa。這個(gè)問(wèn)題在Windows平臺(tái)上尤其常見(jiàn)。3. 數(shù)據(jù)準(zhǔn)備音頻清洗、MFCC特征與標(biāo)簽編碼才是真正的重活3.1 音頻數(shù)據(jù)怎么來(lái)、怎么清洗語(yǔ)音識(shí)別項(xiàng)目里有一句老話Garbage in, garbage out。模型再?gòu)?qiáng)喂進(jìn)去的音頻是臟的訓(xùn)練出來(lái)的效果一定稀爛。所以數(shù)據(jù)準(zhǔn)備階段是整條鏈路里最需要耐心的一步。我用的是Google Speech Commands數(shù)據(jù)集它專門(mén)用于命令詞識(shí)別包含yes、no、up、down等幾十個(gè)詞每個(gè)詞都有上千條不同說(shuō)話人的錄音音頻格式統(tǒng)一為16kHz單聲道WAV。這個(gè)數(shù)據(jù)集可以直接用TensorFlow官方工具下載wget http://download.tensorflow.org/data/speech_commands_v0.02.tar.gz tar -xzf speech_commands_v0.02.tar.gz如果你在國(guó)內(nèi)網(wǎng)絡(luò)環(huán)境下訪問(wèn)Google存儲(chǔ)比較慢也可以使用Kaggle上的鏡像版本或者退一步自己錄制約500條音頻。自己錄音的好處是完全貼合你的實(shí)際應(yīng)用場(chǎng)景比如你可以錄“開(kāi)燈”“關(guān)燈”“播放”“暫停”然后立刻在真實(shí)環(huán)境下測(cè)試。我做實(shí)驗(yàn)時(shí)混合使用了公開(kāi)數(shù)據(jù)集和自錄音頻這樣模型既能學(xué)到不同人發(fā)音的多樣性又不會(huì)在自己的使用場(chǎng)景里水土不服。音頻清洗這一步有幾個(gè)容易忽略的細(xì)節(jié)。第一個(gè)是采樣率。Speech Commands的音頻是16kHz但你會(huì)遇到各種來(lái)源的音頻文件可能是44.1kHz的CD音質(zhì)可能是48kHz的攝像機(jī)收音。如果不統(tǒng)一采樣率MFCC特征提取時(shí)會(huì)得到完全不同的頻率分辨率模型會(huì)無(wú)所適從。librosa加載音頻時(shí)直接指定sr16000即可完成重采樣。第二個(gè)是聲道。有些錄音是雙聲道的需要降為單聲道。librosa.load默認(rèn)會(huì)做這一步或者你手動(dòng)用np.mean(audio, axis1)求平均。第三個(gè)是響度歸一化。不同錄音設(shè)備的增益不同導(dǎo)致有些音頻波形很大、有些很小。標(biāo)準(zhǔn)做法是除以音頻絕對(duì)值的最大值把幅度歸一化到[-1, 1]區(qū)間audio audio / np.max(np.abs(audio))3.2 MFCC特征提取的實(shí)操細(xì)節(jié)MFCC全稱是梅爾頻率倒譜系數(shù)它是語(yǔ)音識(shí)別領(lǐng)域用得最廣泛的特征之一。為什么語(yǔ)音識(shí)別要用MFCC而不是直接把原始波形丟給模型這里需要理解語(yǔ)音的基本產(chǎn)生機(jī)制。你的聲帶振動(dòng)產(chǎn)生聲源信號(hào)這個(gè)信號(hào)經(jīng)過(guò)聲道口腔、鼻腔等的濾波作用后從嘴巴輻射出來(lái)。語(yǔ)音識(shí)別重點(diǎn)關(guān)注的不是聲帶振動(dòng)頻率即基音而是聲道的濾波特性因?yàn)椴煌羲氐谋举|(zhì)區(qū)別就在于此。MFCC的作用就是把聲道的頻率響應(yīng)特性提取出來(lái)同時(shí)弱化基音等與語(yǔ)義無(wú)關(guān)的信息。MFCC有個(gè)諧音外號(hào)叫“音樂(lè)的樂(lè)譜”其實(shí)這個(gè)類比挺準(zhǔn)樂(lè)譜描述的是音符隨時(shí)間的變化MFCC描述的是聲音的頻譜包絡(luò)隨時(shí)間的變化。模型看著MFCC的變化軌跡就能推斷出嘴型在說(shuō)什么音。使用librosa提取MFCC的核心代碼如下import librosa import numpy as np def extract_mfcc(audio_path, n_mfcc13, max_len100): audio, sr librosa.load(audio_path, sr16000) # 響度歸一化 audio audio / np.max(np.abs(audio) 1e-9) # 提取MFCC mfcc librosa.feature.mfcc(yaudio, srsr, n_mfccn_mfcc, n_fft400, hop_length160) # 轉(zhuǎn)置為 [時(shí)間幀, 特征維數(shù)] mfcc mfcc.T # 統(tǒng)一序列長(zhǎng)度 if mfcc.shape[0] max_len: pad_width max_len - mfcc.shape[0] mfcc np.pad(mfcc, ((0, pad_width), (0, 0)), modeconstant) else: mfcc mfcc[:max_len, :] return mfcc幾個(gè)參數(shù)值得解釋。n_fft400對(duì)應(yīng)25毫秒的窗長(zhǎng)hop_length160對(duì)應(yīng)10毫秒的幀移這是語(yǔ)音識(shí)別最經(jīng)典的經(jīng)驗(yàn)配置。25毫秒的窗口能在頻率分辨率和時(shí)間分辨率之間取得平衡10毫秒的幀移保證相鄰幀之間有足夠重疊避免信息丟失。n_mfcc為什么取13而不是更高因?yàn)镸FCC系數(shù)從低到高可以理解為頻譜包絡(luò)從粗到細(xì)的刻畫(huà)13維已經(jīng)包含了大部分與音素相關(guān)的能量分布信息再往上增加的維度往往更多是噪聲和個(gè)體發(fā)音差異。當(dāng)然實(shí)際工程里很多人會(huì)再加上一階差分和二階差分把13維擴(kuò)展到39維。差分特征描述的是MFCC隨時(shí)間的變化趨勢(shì)能捕捉聲調(diào)的動(dòng)態(tài)變化。你也可以在代碼里用librosa.feature.delta實(shí)現(xiàn)。max_len100的意思是把每條音頻的特征序列統(tǒng)一到100幀也就是1秒。Speech Commands里大部分音頻都在1秒左右。這個(gè)方法叫零填充對(duì)齊短的補(bǔ)零長(zhǎng)的截?cái)?。這里有坑我后面會(huì)專門(mén)說(shuō)。3.3 標(biāo)簽編碼與數(shù)據(jù)集的構(gòu)建MFCC特征提取完成后每條音頻就變成了一個(gè)形狀為[max_len, n_mfcc]的二維數(shù)組。下一步需要把文字標(biāo)簽轉(zhuǎn)換成模型能計(jì)算的數(shù)字。直接給每個(gè)詞分配一個(gè)整數(shù)id就夠了label_to_id {yes: 0, no: 1, up: 2, down: 3, silence: 4}然后在構(gòu)建數(shù)據(jù)集時(shí)把音頻路徑和對(duì)應(yīng)的標(biāo)簽id組成一個(gè)樣本。這里有一個(gè)新手經(jīng)常犯的嚴(yán)重錯(cuò)誤讀取所有樣本時(shí)如果先把特征文件和標(biāo)簽分開(kāi)存成兩個(gè)列表然后對(duì)其中一個(gè)列表做了shuffle另一個(gè)沒(méi)有同步shuffle那訓(xùn)練時(shí)模型看到的特征和標(biāo)簽就對(duì)不上號(hào)了。正確的做法是把兩者打包成元組后再做整體打亂。我自己習(xí)慣用tf.data.Dataset來(lái)管理數(shù)據(jù)管道它天然支持shuffle、batch和預(yù)取還能用map函數(shù)在訓(xùn)練時(shí)并行做音頻讀取和特征提取。不過(guò)在正式訓(xùn)練前我會(huì)先把所有樣本的特征一次性提取成numpy數(shù)組存盤(pán)這樣訓(xùn)練時(shí)直接從內(nèi)存讀取速度快很多也方便在調(diào)試時(shí)快速檢查數(shù)據(jù)長(zhǎng)什么樣。下面是構(gòu)建數(shù)據(jù)集的參考代碼def build_dataset(file_paths, labels, batch_size32): dataset tf.data.Dataset.from_tensor_slices((file_paths, labels)) def _parse_function(path, label): mfcc tf.numpy_function( extract_mfcc, [path], tf.float32 ) mfcc.set_shape([100, 13]) return mfcc, label dataset dataset.map(_parse_function, num_parallel_callstf.data.AUTOTUNE) dataset dataset.shuffle(buffer_size1000).batch(batch_size) dataset dataset.prefetch(tf.data.AUTOTUNE) return dataset實(shí)際訓(xùn)練時(shí)我通常把數(shù)據(jù)按8:1:1劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。驗(yàn)證集用于觀察訓(xùn)練過(guò)程中的過(guò)擬合跡象測(cè)試集用于最終評(píng)估模型在沒(méi)見(jiàn)過(guò)的數(shù)據(jù)上的真實(shí)表現(xiàn)。4. 模型設(shè)計(jì)與CTC損失讓機(jī)器自己學(xué)會(huì)語(yǔ)音與文本的對(duì)齊4.1 用Conv1D加雙向LSTM搭建聲學(xué)模型在數(shù)據(jù)都準(zhǔn)備好之后模型設(shè)計(jì)這個(gè)環(huán)節(jié)反而變得清爽起來(lái)。語(yǔ)音識(shí)別模型的核心問(wèn)題可以概括為一句話給定一幀幀的MFCC特征序列預(yù)測(cè)每個(gè)時(shí)間步屬于哪個(gè)音素或字符標(biāo)簽。我搭建的模型結(jié)構(gòu)如下import tensorflow as tf from tensorflow import keras def build_model(input_dim13, time_steps100, vocab_size6): input_data keras.Input(shape(time_steps, input_dim)) # 一維卷積提取局部頻譜特征 x keras.layers.Conv1D(64, 3, paddingsame)(input_data) x keras.layers.BatchNormalization()(x) x keras.layers.ReLU()(x) # 雙向LSTM捕捉上下文依賴 x keras.layers.Bidirectional( keras.layers.LSTM(128, return_sequencesTrue) )(x) x keras.layers.Dropout(0.3)(x) x keras.layers.Bidirectional( keras.layers.LSTM(128, return_sequencesTrue) )(x) x keras.layers.Dropout(0.3)(x) # 輸出每個(gè)時(shí)間步的標(biāo)簽logits x keras.layers.Dense(64, activationrelu)(x) output keras.layers.Dense(vocab_size)(x) model keras.Model(inputsinput_data, outputsoutput) return model model build_model() model.summary()這里有幾個(gè)設(shè)計(jì)意圖需要說(shuō)明。第一個(gè)是為什么用Conv1D而不是直接把MFCC序列送進(jìn)LSTM。MFCC特征在時(shí)間軸上存在著局部相關(guān)性比如某個(gè)音素的能量會(huì)連續(xù)影響相鄰幾幀。Conv1D的卷積核通過(guò)在時(shí)間軸上滑動(dòng)可以把相鄰幀的特征融合起來(lái)相當(dāng)于先做了一次局部特征抽取再交給LSTM做長(zhǎng)程依賴建模。這種“卷積下采樣加循環(huán)網(wǎng)絡(luò)”的結(jié)構(gòu)在語(yǔ)音識(shí)別里非常常見(jiàn)也是經(jīng)典CRNN結(jié)構(gòu)的核心思想。第二個(gè)是為什么用雙向LSTM而不是單向。語(yǔ)音是一個(gè)時(shí)間序列“yes”這個(gè)詞中y的發(fā)音不僅受前面靜音的影響也會(huì)受后面e和s發(fā)音的影響。雙向LSTM能從兩個(gè)方向?qū)Ξ?dāng)前幀的上下文建模對(duì)音素邊界的判斷更準(zhǔn)確。但要注意雙向LSTM在推理時(shí)要求整段音頻全部輸入后才能輸出結(jié)果所以它不適合做流式語(yǔ)音識(shí)別。如果你的應(yīng)用要求邊說(shuō)邊出結(jié)果需要換單向LSTM或者使用帶限制的雙向注意力機(jī)制。第三個(gè)是為什么最后一層不用softmax激活函數(shù)。這是一個(gè)容易踩坑的地方。在分類任務(wù)里最后一層通常接softmax輸出概率分布。但在CTC損失的計(jì)算中TensorFlow的tf.nn.ctc_loss內(nèi)部會(huì)自己對(duì)logits做log_softmax處理。如果你在模型最后一層先做了softmax再傳給ctc_loss相當(dāng)于對(duì)概率又做了一次log_softmax數(shù)值會(huì)被壓縮得很小訓(xùn)練時(shí)損失函數(shù)可能直接變成NaN。所以模型最后一層保持線性輸出把softmax留給損失函數(shù)或者解碼階段處理。4.2 CTC損失的計(jì)算邏輯與代碼實(shí)現(xiàn)CTC全稱是Connectionist Temporal Classification中文是“連接主義時(shí)間分類”它是語(yǔ)音識(shí)別和手寫(xiě)識(shí)別中最經(jīng)典的訓(xùn)練準(zhǔn)則。CTC要解決的核心問(wèn)題是音頻特征序列的長(zhǎng)度和文本標(biāo)簽序列的長(zhǎng)度不一致而且沒(méi)有標(biāo)注好的對(duì)齊信息。舉個(gè)例子一段時(shí)長(zhǎng)1秒的音頻被提取成100幀MFCC特征它的標(biāo)簽是“yes”這三個(gè)字母但訓(xùn)練時(shí)我們并不知道y這個(gè)音具體對(duì)應(yīng)哪幾幀、e對(duì)應(yīng)哪幾幀、s對(duì)應(yīng)哪幾幀。傳統(tǒng)的做法需要人工標(biāo)注音素邊界成本極高。CTC的做法是引入一個(gè)額外的blank標(biāo)簽空白幀允許模型在輸出序列里自由地插入空白然后窮舉所有與目標(biāo)標(biāo)簽兼容的對(duì)齊方式計(jì)算它們的總概率作為損失。你可以這樣直觀理解讓模型在100個(gè)時(shí)間步里寫(xiě)一串字符寫(xiě)得比目標(biāo)標(biāo)簽長(zhǎng)沒(méi)關(guān)系允許它隨時(shí)寫(xiě)一個(gè)“退格”blank最后去掉退格和連續(xù)的重復(fù)字符只要剩下的序列正好等于目標(biāo)標(biāo)簽就認(rèn)為這個(gè)輸出是“對(duì)齊正確”的。CTC訓(xùn)練的目標(biāo)就是最大化所有正確對(duì)齊方式的總概率。CTC損失函數(shù)的自定義實(shí)現(xiàn)如下def ctc_loss(y_true, y_pred): batch_len tf.cast(tf.shape(y_true)[0], dtypetf.int64) input_length tf.cast(tf.shape(y_pred)[1], dtypetf.int64) label_length tf.cast(tf.shape(y_true)[1], dtypetf.int64) input_length input_length * tf.ones(shape(batch_len, 1), dtypetf.int64) label_length label_length * tf.ones(shape(batch_len, 1), dtypetf.int64) return tf.nn.ctc_loss( labelsy_true, logitsy_pred, label_lengthlabel_length, logit_lengthinput_length )這里有一個(gè)很重要的細(xì)節(jié)tf.nn.ctc_loss在TensorFlow 2.x中要求logits的shape是[batch_size, max_time, vocab_size]labels的shape是[batch_size, max_label_length]。input_length是每個(gè)樣本的時(shí)間步數(shù)label_length是每個(gè)樣本的真實(shí)標(biāo)簽長(zhǎng)度。因?yàn)樽隽斯潭ㄩL(zhǎng)度截?cái)鄆nput_length在訓(xùn)練時(shí)恒等于100。真實(shí)標(biāo)簽長(zhǎng)度是1因?yàn)槊總€(gè)音頻只對(duì)應(yīng)一個(gè)命令詞。你可以驗(yàn)證一下標(biāo)簽[1]對(duì)應(yīng)“no”標(biāo)簽[3]對(duì)應(yīng)“down”每個(gè)樣本的標(biāo)簽長(zhǎng)度都是1。模型編譯時(shí)直接把自定義的ctc_loss傳進(jìn)去model.compile( optimizerkeras.optimizers.Adam(learning_rate1e-3), lossctc_loss )注意這里沒(méi)有metrics參數(shù)因?yàn)镃TC損失不是一個(gè)直觀的百分比指標(biāo)更合理的評(píng)估方式是在每個(gè)epoch結(jié)束后抽幾個(gè)樣本做解碼看看預(yù)測(cè)結(jié)果是否等于真實(shí)標(biāo)簽。4.3 容易踩的三個(gè)坑softmax、維度順序、輸入長(zhǎng)度這一節(jié)我專門(mén)把模型訓(xùn)練和推理里最容易出錯(cuò)的三個(gè)點(diǎn)展開(kāi)每一個(gè)我都實(shí)際遇到過(guò)并且排錯(cuò)花了不少時(shí)間。第一個(gè)坑就是上一節(jié)提到的最后一層softmax問(wèn)題。如果你按照普通的分類任務(wù)習(xí)慣在最后一層加softmax訓(xùn)練時(shí)第一個(gè)epoch的loss基本就會(huì)顯示為NaN。排查方法很簡(jiǎn)單直接打印模型輸出層的激活函數(shù)如果看到softmax就果斷去掉。記住CTC內(nèi)部的log_softmax已經(jīng)處理了歸一化你只需要輸出原始logits。第二個(gè)坑是維度順序。tf.nn.ctc_loss要求logits的time維在第二位也就是[batch, time, vocab]。而tf.nn.ctc_greedy_decoder要求輸入是[time, batch, vocab]的排列注意這三者的順序完全不同。我經(jīng)??吹接腥擞?xùn)練時(shí)一切正常一到推理階段就報(bào)類似“Dimensions must be equal”的錯(cuò)誤原因就是這里的維度順序沒(méi)有轉(zhuǎn)置。推理時(shí)的正確做法是logits model.predict(mfcc_batch) # shape: [1, 100, vocab_size] logits tf.transpose(logits, [1, 0, 2]) # shape: [100, 1, vocab_size] decoded, _ tf.nn.ctc_greedy_decoder( inputslogits, sequence_length[100] )第三個(gè)坑是輸入長(zhǎng)度。如果你的數(shù)據(jù)管道里樣本的時(shí)間步長(zhǎng)不固定而模型輸入層又定義了固定shape訓(xùn)練時(shí)就會(huì)報(bào)錯(cuò)。解決方式有兩種一是像我一樣把所有樣本統(tǒng)一到固定幀數(shù)二是構(gòu)建動(dòng)態(tài)shape的模型在loss里為每個(gè)樣本傳入真實(shí)的輸入長(zhǎng)度。第一種方法簡(jiǎn)單直接適合命令詞這類短音頻第二種方法適合語(yǔ)音長(zhǎng)短差異很大的場(chǎng)景但實(shí)現(xiàn)復(fù)雜度高不少。5. 訓(xùn)練、驗(yàn)證與推理從損失下降到真正“聽(tīng)懂”一句話5.1 訓(xùn)練配置與監(jiān)控要點(diǎn)模型訓(xùn)練階段我建議先跑一個(gè)小的epoch數(shù)確認(rèn)整個(gè)鏈路沒(méi)有報(bào)錯(cuò)再開(kāi)啟正式訓(xùn)練。我通常先跑5個(gè)epoch、每個(gè)batch 32、每50個(gè)batch打印一次loss。訓(xùn)練過(guò)程中要重點(diǎn)觀察兩個(gè)信號(hào)第一個(gè)是loss數(shù)值的變化趨勢(shì)。CTC損失在初期下降非??煲?yàn)槟P秃芸炀蛯W(xué)會(huì)了把輸出序列推送到可能包含目標(biāo)標(biāo)簽的區(qū)域。但如果你的數(shù)據(jù)集很小、模型又比較大loss可能出現(xiàn)反復(fù)震蕩這時(shí)候需要降低學(xué)習(xí)率或者增大batch size。另外一個(gè)需要警惕的情況是loss直接變成NaN原因通常是學(xué)習(xí)率過(guò)大或者數(shù)據(jù)里混入了NaN特征的音頻。第二個(gè)是過(guò)擬合信號(hào)。用驗(yàn)證集計(jì)算loss如果訓(xùn)練loss持續(xù)下降而驗(yàn)證loss回升說(shuō)明模型開(kāi)始死記硬背訓(xùn)練數(shù)據(jù)了。緩解辦法是增加Dropout、增加數(shù)據(jù)增強(qiáng)或者減小模型規(guī)模。這里給一個(gè)推薦訓(xùn)練參數(shù)配置epochs30 batch_size32 learning_rate1e-3如果CPU訓(xùn)練30個(gè)epoch大概需要30分鐘到1小時(shí)具體取決于數(shù)據(jù)量。GPU會(huì)快很多。5.2 真實(shí)音頻推理的完整代碼訓(xùn)練完成后推理階段的代碼非常短def predict_audio(audio_path, model, label_map, max_len100, n_mfcc13): mfcc extract_mfcc(audio_path, n_mfccn_mfcc, max_lenmax_len) mfcc np.expand_dims(mfcc, axis0) # 增加batch維度 logits model.predict(mfcc, verbose0) # ctc_greedy_decoder需要的輸入維度是[time, batch, vocab] logits tf.transpose(logits, [1, 0, 2]) decoded, _ tf.nn.ctc_greedy_decoder( inputslogits, sequence_length[logits.shape[0]] ) decoded tf.sparse.to_dense(decoded)[0].numpy() if len(decoded) 0: return silence id_to_label {v: k for k, v in label_map.items()} return .join([id_to_label[i] for i in decoded])這里decode出來(lái)的是一個(gè)整數(shù)序列。如果模型判斷整段音頻都是blank解碼結(jié)果就是一個(gè)空列表此時(shí)返回silence是合理的因?yàn)殪o音片段確實(shí)沒(méi)有命令詞。5.3 實(shí)測(cè)效果與常見(jiàn)問(wèn)題我在自錄音頻上的實(shí)測(cè)結(jié)果顯示干凈環(huán)境下5個(gè)命令詞的識(shí)別準(zhǔn)確率可以達(dá)到95%以上。但我必須提醒你這個(gè)數(shù)字只對(duì)“麥克風(fēng)距離嘴巴不遠(yuǎn)、環(huán)境安靜”的場(chǎng)景有效。一旦加入噪聲比如播放電視聲音、開(kāi)風(fēng)扇、在走廊里測(cè)試準(zhǔn)確率會(huì)明顯下降。這不是模型bug而是語(yǔ)音識(shí)別系統(tǒng)的天然局限。測(cè)試中我發(fā)現(xiàn)一個(gè)問(wèn)題值得特別說(shuō)明模型對(duì)“no”和“up”偶爾會(huì)混淆。分析MFCC特征后發(fā)現(xiàn)這兩個(gè)詞雖然語(yǔ)義層面差異巨大但在聲學(xué)層面確實(shí)存在相似之處元音的共振峰位置接近。解決這個(gè)問(wèn)題最有效的方式是補(bǔ)充更多說(shuō)話人的數(shù)據(jù)同時(shí)引入噪聲增強(qiáng)讓模型學(xué)會(huì)在干擾下抓住核心的聲學(xué)區(qū)別。6. 調(diào)優(yōu)方向和擴(kuò)展從命令詞到連續(xù)語(yǔ)音識(shí)別的路線6.1 數(shù)據(jù)增強(qiáng)用更少的數(shù)據(jù)換來(lái)更強(qiáng)的泛化能力小數(shù)據(jù)集上訓(xùn)練語(yǔ)音識(shí)別模型數(shù)據(jù)增強(qiáng)是不可或缺的工具。數(shù)據(jù)增強(qiáng)的本質(zhì)是對(duì)原始音頻做一系列變換生成更多“看起來(lái)來(lái)自不同場(chǎng)景、但語(yǔ)義相同”的樣本從而模擬更多樣的現(xiàn)實(shí)環(huán)境。我在項(xiàng)目中使用的增強(qiáng)方法有以下幾種加性噪聲把一段環(huán)境噪聲比如白噪聲、雨聲、辦公室人聲以隨機(jī)信噪比疊加到原始音頻上時(shí)間拉伸把音頻速度變?yōu)樵瓉?lái)的0.9倍到1.1倍模擬不同說(shuō)話人的語(yǔ)速差異音高平移在保持時(shí)長(zhǎng)的前提下改變音高模擬不同聲帶長(zhǎng)短的說(shuō)話人Librosa提供了實(shí)現(xiàn)這些增強(qiáng)的工具。但要注意增強(qiáng)因子不宜過(guò)大否則模型會(huì)把噪聲模式當(dāng)作語(yǔ)義特征反而損害準(zhǔn)確率。一個(gè)經(jīng)驗(yàn)值是每個(gè)epoch按30%的概率對(duì)音頻做增強(qiáng)讓模型既能看到干凈數(shù)據(jù)也能看到帶噪聲版本。6.2 加入語(yǔ)言模型修正輸出序列命令詞識(shí)別的輸出只有一兩個(gè)詞語(yǔ)言模型的作用微乎其微。但如果把系統(tǒng)擴(kuò)展到連續(xù)語(yǔ)音識(shí)別比如識(shí)別一句話“幫我打開(kāi)客廳的空調(diào)”就需要語(yǔ)言模型來(lái)幫忙了。連續(xù)語(yǔ)音識(shí)別中聲學(xué)模型輸出的候選序列通常包含多個(gè)同音字或近音詞。語(yǔ)言模型的作用是計(jì)算哪個(gè)序列在語(yǔ)法和語(yǔ)義上更合理。舉個(gè)簡(jiǎn)單例子聲學(xué)模型可能同時(shí)輸出“打開(kāi)空調(diào)”和“打開(kāi)空條”語(yǔ)言模型會(huì)判斷“空調(diào)”的概率遠(yuǎn)高于“空條”從而修正識(shí)別結(jié)果。把語(yǔ)言模型集成進(jìn)現(xiàn)有代碼的方法是在解碼階段替換貪心解碼為束搜索解碼并在束搜索的打分公式中合并語(yǔ)言模型概率score acoustic_log_prob lambda * language_log_problambda是語(yǔ)言模型權(quán)重一般取0.5到1.0之間。具體值需要拿一顆測(cè)試集來(lái)調(diào)。6.3 從CTC到注意力機(jī)制的架構(gòu)演進(jìn)CTC雖然經(jīng)典但它的假設(shè)是幀與幀之間條件獨(dú)立模型無(wú)法顯式建模輸出序列內(nèi)部的依賴關(guān)系。對(duì)于連續(xù)語(yǔ)音識(shí)別現(xiàn)在更主流的是序列到序列模型其中注意力機(jī)制讓解碼器在生成每個(gè)文本字符時(shí)自動(dòng)關(guān)注音頻特征序列中相關(guān)的部分。如果你有興趣繼續(xù)深入我建議的路線是先跑通我的CTC命令詞系統(tǒng)理解語(yǔ)音識(shí)別的完整數(shù)據(jù)流和訓(xùn)練流再學(xué)習(xí)Listen-Attend-Spell或Transformer Transducer這類模型。注意力機(jī)制解答了CTC里沒(méi)有回答的問(wèn)題如何讓模型“主動(dòng)選擇”它認(rèn)為重要的音頻片段。7. 踩坑實(shí)錄我在這個(gè)項(xiàng)目中犯過(guò)的錯(cuò)7.1 TensorFlow 2.18安裝后的CPython版本不兼容問(wèn)題我最初用conda創(chuàng)建環(huán)境時(shí)指定了Python 3.12然后pip安裝TensorFlow 2.18import時(shí)報(bào)錯(cuò)缺少某個(gè)DLL文件。查了半天發(fā)現(xiàn)是Python 3.12的ABI和TensorFlow 2.18的某個(gè)依賴不匹配。雖然理論上有解決辦法但最省時(shí)的操作就是換到Python 3.11重建環(huán)境。經(jīng)驗(yàn)教訓(xùn)遇到環(huán)境問(wèn)題別硬剛。直接換一個(gè)官方支持范圍內(nèi)的組合重建環(huán)境通常十分鐘內(nèi)解決問(wèn)題比在網(wǎng)上搜各種玄學(xué)解法靠譜得多。7.2 librosa與numba的依賴沖突安裝librosa時(shí)它依賴的numba版本如果和TensorFlow依賴的numpy版本沖突會(huì)出現(xiàn)類似“Numba needs NumPy 1.22 or less”的錯(cuò)誤。我當(dāng)時(shí)的解決辦法是先conda install numba指定一個(gè)和TensorFlow兼容的版本再pip install librosa最后用python -c import librosa; import tensorflow驗(yàn)證兩者能和平共處。經(jīng)驗(yàn)教訓(xùn)音頻相關(guān)的Python庫(kù)依賴樹(shù)特別長(zhǎng)盡量在同一個(gè)虛擬環(huán)境開(kāi)始階段就把它們一起裝好避免后裝時(shí)的版本覆蓋問(wèn)題。7.3 音頻截?cái)喟殃P(guān)鍵詞截沒(méi)了我最初設(shè)計(jì)max_len80幀也就是0.8秒。大部分Speech Commands音頻確實(shí)不到0.8秒但有一小部分語(yǔ)速較慢的樣本會(huì)被截掉末尾的音素。訓(xùn)練時(shí)loss一直不降查看訓(xùn)練樣本才發(fā)現(xiàn)有些no被截成了n的開(kāi)頭部分。把max_len提高到100并配合padding之后問(wèn)題消失。經(jīng)驗(yàn)教訓(xùn)在做固定長(zhǎng)度截?cái)嗲跋冉y(tǒng)計(jì)所有音頻的時(shí)長(zhǎng)分布按95分位數(shù)來(lái)設(shè)計(jì)max_len而不是隨便設(shè)一個(gè)值。7.4 標(biāo)簽打亂不同步導(dǎo)致“模型胡亂識(shí)別”我早期代碼里分別讀取了features和labels然后單獨(dú)對(duì)features做了shuffle。訓(xùn)練時(shí)模型看到的特征和標(biāo)簽錯(cuò)位“yes”的音頻對(duì)應(yīng)“no”的標(biāo)簽。更可怕的是因?yàn)閿?shù)據(jù)集足夠大模型居然也能把loss降到很低因?yàn)樗鼘W(xué)會(huì)了記住整體分布而不是對(duì)應(yīng)關(guān)系。經(jīng)驗(yàn)教訓(xùn)所有與樣本相關(guān)的元數(shù)據(jù)必須和樣本綁定在一起任何打亂、篩選操作都要保證同步。這是數(shù)據(jù)管道設(shè)計(jì)中最容易出錯(cuò)但最不應(yīng)該出錯(cuò)的點(diǎn)。訓(xùn)練前用少量樣本打印一下“特征路徑-標(biāo)簽”對(duì)照表一分鐘就能驗(yàn)證管道正確性。7.5 CPU訓(xùn)練不求快但求穩(wěn)定最后說(shuō)一個(gè)關(guān)于訓(xùn)練體驗(yàn)的問(wèn)題。我的筆記本沒(méi)有獨(dú)立顯卡用CPU訓(xùn)練30個(gè)epoch大概花了40分鐘中途還因?yàn)闇囟缺Wo(hù)出現(xiàn)過(guò)一兩次訓(xùn)練中斷。后來(lái)我把batch_size從32降到16并把TensorFlow的線程數(shù)限制了一下訓(xùn)練雖然略微變慢但穩(wěn)定性提升不少不再出現(xiàn)因?yàn)閮?nèi)存或線程資源耗盡導(dǎo)致的崩潰。限制CPU線程數(shù)的操作很簡(jiǎn)單export TF_INTRA_OP_PARALLELISM_THREADS4 export TF_INTER_OP_PARALLELISM_THREADS4這個(gè)參數(shù)要根據(jù)你的CPU核心數(shù)來(lái)調(diào)整通常設(shè)為物理核心數(shù)的一半到三分之二既能保證穩(wěn)定性又能留出資源給其他程序運(yùn)行。回到我在這個(gè)項(xiàng)目里最大的體會(huì)語(yǔ)音識(shí)別系統(tǒng)真正的復(fù)雜度不在模型結(jié)構(gòu)有多深而在于你愿不愿意把數(shù)據(jù)鏈路里的每個(gè)細(xì)節(jié)磨透。MFCC提對(duì)了、標(biāo)簽對(duì)齊了、維度順序理順了模型哪怕簡(jiǎn)單一點(diǎn)出來(lái)的效果也足夠讓人驚喜。現(xiàn)在這個(gè)項(xiàng)目跑通后我又給它接了一個(gè)簡(jiǎn)單的命令控制接口實(shí)現(xiàn)了語(yǔ)音開(kāi)燈、關(guān)燈雖然算不上什么了不起的工程但看著語(yǔ)音真的能控制物理設(shè)備那種“技術(shù)上跑通了”的成就感還是很值得體驗(yàn)的。如果你在這個(gè)基礎(chǔ)上繼續(xù)擴(kuò)展我建議可以先做噪聲魯棒性增強(qiáng)再嘗試多個(gè)命令詞的連續(xù)識(shí)別每一步都會(huì)踩到新坑但也正是這些坑才是語(yǔ)音識(shí)別真正有意思的地方。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
人妻日日干| 国产极品粉嫩馒头一线天av| 人人干人人操人人爱| 中文字幕av乱伦| 美女AV一区二区| 操一操摸一摸| JULIA人妻风俗店中出电影| 91日韩网站| 国内毛片婷婷六月色| 伊人久久国产免费观看视频| 亚洲国产精品99久久久| 久久大线蕉一区| 97国产超碰| 蜜臀无码视频在线观看| 一区二区乱码福利| 美女91| 久久免费少妇| 亚洲欧洲小说图片视频 | 加勒比五月天| 日本不卡高清视频| 国产成人主播| 很黄很色的视频在线观看| 啊啊啊啊啊好大好舒服想要| 国产精品国产自产高清AV| 色综合加勒比四四季| yw尤物av无码点击进入麻豆| 人妻无码后入| 日韩无码黄色片| 五十路人妻在线| 性爱边摸边日免费AV| 欧美日韩人妻婷婷一区| 欧美在线观看综合国产| 精品人妻15区| 91艹逼精品| 超碰在线观看av不卡| 在线五区| 不卡一区视频| 在线黄页看毛片| 精品少妇高潮久久| 久草在| 蜜臀一区二区三区亚洲最新章节在线观看 - 高清蜜臀一区二区三区亚洲全集播放 | 一区二区三区男女操逼黄色小电影| 超碰色中文| 日韩人妻一二三区视频| 一本色道久久综合狠狠操| 97香蕉碰碰人妻国产欧美| 欧美 亚洲 第一页 | 97精品免费视频网站| 高凊专区人人操| 被操高清无码视频| 亚洲国产精品久久久久婷婷老年| 日韩免费一级性爱视频| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师 | 2011国产精品| 大二网站亚洲| 中文字幕在线第二页| 亚洲AV成人在线| 天天狂操夜夜狂日| 五月天久久婷婷亚洲| 亚洲制服aⅴ中文字幕| 亚洲,欧美,综合网| 麻豆精品A片免费观看| 日韩在线一区二区| 97在线视频网站| 日韩AV一区二区三区三州三州| 色综合大香蕉| 日韩精品9区| 日韩一级片在线看| 福利操逼| 欧美色图20p| 亚州久久9| 干婷婷综合网| 日韩三级在线观看网站| 久久禁| 91欧美偷拍| 欧美成人午夜免费福利785| 欧美在线大香999| 欧洲天天在线| 五十路三级片| 免费家庭乱伦视频| 亚洲天堂欧美| 欧美图片校园春色| AV99热18这里只有精品| 天天综合精品| 啪啪综合网| 可能人人看人人摸| 人人摸.人人色| 超碰色图| 久久亚洲欧美一区二区三区-亚洲国产精品第一区二区 | 99久在线精品99re8| 久久天天摸| www.色婷婷色综合| 国产成年免费大片黄在线观看| 国产传媒日本欧美专区| 国内精品不卡无毒99999| 天天色播| 亚州少妇| 嗯嗯啊在线视频| 亚欧视频在线| se吧提供91精品国产91久久久久久 | 日韩福利电影网| 日本五区不卡| 欲色综合| 婷婷色香伊人| 日夜精品| 九九九九九九综合| 天美传媒av一区二区| 四季AV一区二区凹凸精品小说| 狠狠中文字幕| 久久精品毛片免费不卡| 伊人91| 中文自拍欧美影视| 在线国产一区二区av| xxxx网站亚洲精品| 久久亚洲欧美中文字幕国语| 中国AAAAAA黄色片| 精品视频免费在线一区| 午夜福利无毒不卡| 青娱乐久久艹| aaaa少妇高潮大片| 色爱三区| 99热这里是精品| 牛黄色久午久| 日本在线播放不卡一区| 亚洲情色91| 麻豆精品久久久久久久| 青青草白白色| 大香蕉一人| 国产精品久久蜜乳av| 亚洲黄色| 亚洲国产美女久久久久| 日本一区二区三区午夜观看| 日韩国产欧美伦理在线| 你想操日本小逼吗| 色青青久久影视| 色噜噜婷婷| 久操大香蕉手机视频在线看| 精品国产网站| 国产精品视频在线播放| 国产成人啪一区二区| 日本免费一区二区不卡| 麻豆AV一区二区天美传媒| 96超碰网| 日韩精品字幕| 熟女人妇一区二区三区| 天天干天天操天天干天天操| 五月婷视频| 少妇蜜汁| 亚洲污污网站| 亚洲黄色| 国产精品视频自拍在线| 日本在线播放不卡一区| 激激五月| 日本二三四区| 高清国产性猛交xxxx乱大交| 黄色激情电影在线观看| 五月婷婷AV| 午夜激情床戏激情| 91激情综合| 天堂亚洲精品| a级理论午夜日本| 久久亚洲人妻| 日夜伊人网| 亚洲三区视频| 亚洲欧美一区二区三区在钱蜜桃| 久久天天性久久伊人| 欧美久久毛片基地| 久久久久久久久9| 国产91精品在线免费| 黑人白女精品一区| 欧美99| 青青草色情网站视频| 久夜操| 日韩av不卡在线看| 色五91| 美女上床网站| 美国aaaaa一级黄片| 亚洲色图久久成人| 国产精品69久久久久久久| 综合五月天| 搡老女人911熟妇老熟女| 久久九九视频九九视频| 中文字幕少妇色 | 你懂的在线观看区国产| 蜜臀AV网站| 大香蕉色网| 超碰97国产欧美| 欧美老妇曰批的视频| 久久久久久久极品香蕉视频| 婷婷人妻激情| 黄片无码在线制服| 国产地址二三| 视频一区二区免费在线| 99久在线精品99re8热| 欧美A√综合网| 999精品乱码| www.色99| 久久久久久久久女黄| 亚洲国产尤物yw在线观看| 18一区二区三区| www欧美91| 欧 美 自 拍 偷 拍| 一区二区三区在线资源| 人伦四五区| 欧美中文字幕日韩在线| 亚洲国产欧美日韩精品一区二区三区,国产一区二区三区在线看片,欧美性猛交 XXX | 成人熟女区| 97啪啪| 欧美性天天影视| 欧美九九九| 精品一区二区三区最新| 性欧美| 日日夜夜骑| AV和黑人在线播放| 9I1性色影院| 人妻久久久久久| 91殴美| 人妻色情天天操| 久久一区二区高清免费| 亚欧美综合网。| 飘花国产午夜精品不卡| 国产精品视频| 亚洲五月天激情| 日本淫乱女一区二区三区视频| 五月开心久久AV官网| 特级特黄一级毛片免费| 尤物视频网 刘玥| 国产成人综合在线播放| 亚洲污污网站| 老司机射| 97亚洲在线| 爱爱动态120秒| 97超碰人妻| 日本99一区二区| 制度丝袜99| 青青欧美| 少妇被玩视频二三区| 欧美福利视频啊啊啊啊| 曰韩少妇无码| 日本三级日本三级99| 综合五月天| 91n美女视频| 大香蕉视频一二三区| 很很很很操| 成人性爱电影网| 欧洲亚洲少妇| 一本久久精品中文字| 天天干人妇| 亚洲精品久久久久毛片A片拉屎 | 国产a级精品| 成人无码在线超碰网| 少妇蹲下买菜露大唇0| 色啪网| 亚欧免费观看视频| 久久久久久中文| 99无码| 精品人妻一区二区乱码一区二区| 亚洲图片另类| 麻豆一区在线| 一区三区啪啪| 亚洲男人综合| 一本大道久| 99999精品视频| 盗摄女人妻在线| 亚洲风情在线观看| 91性感网站| 资源在线观一 二| 好色综合| 久久久久久裸体| 五月天婷婷欧美三区| 成人一级性爱| 国产精品片| 智利AV在线网| 日本97久久久精品| 大香蕉伊人色偷偷在线| 在线精品福利免费播放| 精品无码秘 人妻一区二区| 97欧美精品综合| 天天草天天干天天日| 国产精品视频91久久| 风间由美日韩欧美久久| 亚洲精品 欧美精品| 97超碰国产精品| 亚洲AV无码久久久国产精品| 大香蕉强奸乱伦| 日本成熟少妇A∨网站| www.久久超碰| 久久精品操| 日韩传媒在线| 亚洲av夫妻操穴网| 人妻AV 中文字幕的| 国产精品久久久久中文字幕| 欧美一区二区一级岛国大片| 神马麻豆福利院 | 人妻久热在线| 东北黄色电影| 日韩高潮一区| 97干在线| 97WW精品| 日韩中文字幕二区| 少妇xx精品| 激情抓乳插进去啪啪啪日韩 | 天天综合网站| 操逼www.| 五月天丁香| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师黑人潮喷一 | 人妻在线大香蕉| 久色网| 日逼国产| 免费精品人妻一区二区三| 内射小黄片| 亚洲成人贴图| a级免费在线观看| 亚洲91在线| 久夜视频| 国产精品黑人一区二区三区| 欧洲亚洲国产综合在线| 自拍内地三级在线观看| 亚洲中文一区二区三区| 国产精品香蕉热久久新品| 色婷婷激一区二区三区| 日韩不卡a级视频专区| 亚洲熟女中文字幕在线| 婷婷五月天影院| 东京日日夜夜| 国产SV一线| 中文字幕人妻色偷偷久久皮| 日韩资源网| 日韩欧美偷拍美女视频| 久久大香蕉97| 亚洲日韩视频二区| 日韩欧美国产高清视频| 美女超碰978| 亚洲天堂综合AV| 国产白嫩精品久久| 蜜桃臀一区二区aV| 91性网| 亚洲欧美日韩制服另类| 多毛小伙内射老太婆| 男人a天堂手机在线版| 无码av永久免费专区网站| 欧美性爱十八禁| 99免费视频| 9超碰免费| 中文字幕av丝袜| 欲色综合| 级做a爱无码性色永久免费| 久久无码成人| 丁香五月成人| 熟女中出视频| 2000亚洲男人天堂| 天天欧美| 99re国产精品视频| 玖色AV| 97超碰资源网| 久久九九热| 尤物av网站免费在线播放| www.99中文字幕| 欧美激情五月天| 伊人AAA| 激情小说亚洲视频| 97操| 少妇滛荡视频| Aa东京男人的天堂| 韩国一级做a久久久久| 欧美18老人禁| 国产激情久久| 国产精品久久久久999| 综合网天天| 一级性爱aaaa| 天天综合网AV91| 欧美夜夜| 久久艹逼视频| 97在线资源| 中英熟女操女| 无码免费一区二区三区啪啪| 韩国毛片一区二区三区| 国产不良强奸视频免费看| 人人操AV| 亚洲图片视频小说| 一级黄色牲爱A级片| 2019AV天堂| 97精品网| 久久精品人体| 极品国产内射| 天天爱天天韩国日本牛牛牛牛 | 少妇高潮九九九九| 亞洲久久直播| 超碰97欧美日韩| 69av一区二区三区| www.高清无码诱惑一区.com| 国产精品不卡高清在线观看| 精品久久久久久亚洲| 久久久无码精品人妻二区| 人妻 丝袜美腿 中文字幕| 91撸色网 玖玖网 欧美| 麻豆天美一区二区| 亚州色交| 久久久新亚洲AV| www.狠狠操| 天天摸天天舔天天操| 亚洲精品免费中文字幕| 第二页中文字幕| 亚洲超碰97| 97超碰色五月| 啪啪综合网| 夜夜夜久久| 天天综合-91入口| 黄aaaaaaaaaaaaaaaaaa色网站| 激情小说五月天| 久久久九九| 日韩国产成人自拍视频| 久久久久幕乱码| 肉嘟嘟www视频在线观看高清| 五月丁香社区婷婷日韩欧美精品影院 | 日本在线999| 色色婷婷丁香| 欧美性爱日韩高清| 国产强上视频在线观看| 久久伊人在线五区| 91丨精品丨国产丨丝袜| 青青久久艹| 色黄污美女啪啪啪免费网站| 久久精视频美日韩在线视频| 日韩精品人妻中文字幕不卡乱码| 国产AV天美传媒一区二区三区| 久 久无码人妻AV| 嗯啊不要在线观看嗯啊| JIZZJIZZ亚洲女人被躁| 吉川爱美亚洲二区在线 | aaa亚无码专区| 欧美另类色| 尤物网站91| 丁香五月天婷婷姐| 亚洲无码久久久久久久| 青青草福利视频| 欧美激情一区二区| 精品人妻美妇91job| 精品久久久一本一道| 色情综合网| 蜜乳AV免费观看| 夜夜骑操视频| 男人的天堂不卡一区二区| 秋霞网无码| 欧洲亚洲人人爽爽视频| 蜜臀久久99精品久久久久久久久| 欧日韩一二三f区| 久久麻豆一区二区| 精品人妻一区| 欧美一区二区男人天堂| 性色高清..……| 女人的久久久| 日韩一级成人毛片免费观看 | 69少妇一区二区| 日本三级韩国三级美三级91| 91麻豆天美国产欧美日| 国内亚洲精彩视频在线| 综合网亚洲| 久久九九精品一区二区 | 日本媚薬中文字幕在线| 秋霞福利网| 精品国产无码中文| 精品一区96| 无码视频黄色网战| 精品国产91内射久久| 中日韩久久久免费看| 东京日日夜夜| av天堂精品久久| 婷婷五月天激情四射| 日韩中文字幕2020| 青青草原人妻| 中日高清无码操逼视频| A级国产欧美激情在线| 亚洲乱熟女一区二区| 国产农村妇女精品一二区| 欧美顶级黄片AAAAA在线免费看| 人人妻人人色| 九九九久千久久激情蜜桃在线看| 黑人免费福利视频| 欧美 色 亚洲| 91女日逼| 久久九九热| 97视频900| 亚欧美天堂在线| 五月天色五月| 爱我干综合| 国产综合在线视频网站| 色激情综合网站| 97神马久久| 极品出轨视频网站| 殴美色网| 欧美日韩狠狠爱| 亚洲双插| 欧美高清91| 日韩97超碰| 综合欧美色图| 日日骚一区二区三区| 九九久久国产精品怡红院| 日语五十路和六十路亚洲国产精品| 91麻豆va国产精品| 欧美黄片欧美黄片xxx| 精品丝袜无码一区二区三APP| 干B视频伊人网| 亚洲男人天堂Av| 日韩人妻少妇 一区二区三区| 人人人摸人人| 欧美精品一区二区少妇免费A片| 青青草日韩免费观看高清在线| 丰满人妻av一区二区三区| 欧美精品日韩久久久九| 麻豆区99999| 国产人伦精品一区二区三区 | 久久m| 欧美综合综合| 一区二区三区看视频| 99精品久久久久久| 亚洲 日韩 丝袜 熟女 变态| 夜夜高潮夜夜爽| 中文字幕视频二区| 欧美一品道| 久久久精选| 欧美色青| 国产 亚洲 一二三四| 国产精品一区二区久久精品| 亚洲天堂精品日韩电影| 五月激情在线| 伊人五月天激情| 夜夜高潮夜夜爽夜夜爱爱一区| 视频国产成人精品日本亚洲18| 久久精品亚洲婷婷| 五月天激情婷婷| 视频二区美腿丝袜制服人妻欧美| 国产呦精品一区二区三区下载 | 再深点灬舒服灬太大了好硬好爽| 一中国女人毛片水真多| 免费观看日本操逼视频| 精品国产丝袜一区二区三区乱码| AV一区观看| 艹比视频国产精品| 婷婷五月天网| 欧美 牲| 欧美色图片色哟哟| 久久国产AⅤ| 欧美99热| 中文字幕免费观看| 久久久青草青青国产亚洲免观精品高清完整版_97久久综合区小说区图片区,国精品 | 色哟哟的毛片| 欧美亚洲AN| 激情小说激情视频| 美国日韩黄片| 被体育老师抱着c到高潮| 欧美图片偷拍| 96精品一区| 日韩一级性爱无码| 久久婷婷五月综合| 欧洲精品欧洲精品| 91精品无码久久久久久久 | 在线 欧美 亚洲| 免费试看60秒| 99久久99九九99九九九| 欧美日韩一干二干| 91人妻少妇| 色综合婷婷| 9999九九九久久久| 久久久精品中文字幕爱豆| 熟女乱伦二区| 伊人久久亚洲色欲综合网站 | 成人av动漫在线观看| 神马午夜久久久| 97超碰欧美中文字幕| 美女国产一区二区久久| 高树玛利亚无码流出| 干B网| wwwcaobibi| 一区麻豆 高清中文字幕| 日本精品一区二区不卡| 欧美色视频在线| 精品v1区| 色在线视频导航| 99操碰| 日韩天天本| 天天影视色香欲综合网小说| 69人妻精品一区二区绯色| 日韩欧美~中文字| 天天色天天干天天爱| 天天综合香 ld视频| 凹凸精品熟女在线观看| 六九九九| 91天天综合日韩欧美| 亚洲中文字幕97久久精品少妇| 久久久久久久久久久久久久久性生活视频| 蜜桃久久综合视频| 色97欧美| 超碰免费在线| 久久久久久久唑| 久热色情精品| 我要去看2个日本美女.com曹逼| 精品久久久久久中文| 97精品国产手机| 国产av又色又爽又黄| 五月天久久婷婷亚洲| 国产肏逼网站| 色香在线| 国产精品无码在线| 超碰色美女| 嫖老熟女A片一二三区| 欧美在线 亚洲| 亚洲一本色道中文无码aV天美| 看日韩美女二区三区免费操逼视频| 9热9热综合网| 眼镜人妻101.com| 激情AV| 亚洲精品九九九| 久久久9视频| 国产a片操逼| 青青青艹在线视频| 日本99热| 亚洲第一页第二页激情| 999综合色| 青草青草久热| 天啪| 国产白丝在线| 激情综合网五月婷婷| 69一区二区| 97久久精品国产| 十八禁av无码免费网站APP| 操逼短片| 殴美,日韩国产伦精品| 久久丁香久草综合网| 亚洲天堂日本| 日韩性色b| 国产成人欧美一区二区三区的国产| 亚洲色图激情小说| heyZO天然素人无码AⅤ专区| 亚洲激情欧美色图| 青青草一区二区高清无码视频| 色色激情| 99热超碰| 亚洲 欧美日韩 另类| 人妻大香蕉| 一本正道久久熟女| 欧美色图20P| 伊人大香蕉在线| 开心五月深爱五月| 欧美综合 站| 老鸭窝亚洲毛片| 天美传媒精品一区二区三区| 在线啊v一区| 欧美v日韩v亚洲v最新在线| 欧美日韩天堂| 午夜男人一级A片7777| 国产日韩精品suv| 欧美人妻一区二区| 欧美瑟综合| 美女91网| 婷婷五月天成人| 亚洲综合色网| 免费观看国产不卡av| 99re98| 色97综合中文字幕| 宗合情欲网| 五月天婷婷成人网| 欧美在线永久天堂| 九久久九九久视频| 国产中文日韩欧美一区二区三区人妻丝袜美腿| 麻豆2区1区天美| 开心婷婷五月| 日韩av影片在线观看| 伦激情人妻另类人妻| 男人天堂网址| 激情小说亚洲色图| 九九九999久久久网站| 欧美色色人| 熟女自慰久久久| 免费观看啪视频| 国产中文字幕曰本毛片| 福利操逼| 日本免费人成视频播放120秒| 亚洲综合97中文网| 国产a片操逼| 伊人超碰97| 99热在线只有精品| 日本中文字幕一区| 日韩啪啪啪视频| 精品乱子一区二区三区99| 120分钟婬片免费看| 男男H黄动漫啪啪无遮挡网站| 青青青在线高清视频在线一二三四区 | 亚洲色图日韩精品| 欧美精品精品一区二区| 中文字幕片| 日韩不卡a级视频专区| 欧美国产伊人久久久久| av网站免费看| 天天天干977| 色欲久久99国产精品久久久久久| 久久久国产成人一区二区三区在线| 国产馆| 殴美色网| 欧美综合网A| 99re超碰| 呦呦一区| 久久免费少妇| 在线a亚洲视频播放在线| 一级毛片电影免费看| 尤物网站91| 欧美黄色手机在线观看| 日韩人妻一区二区| 操穴国产| 韩国女主播青草在线| 天天操天天舔| 亚洲欧洲另类| 欧美不卡在线美女| 男人的天堂在线2| 亚洲情色91| 啊啊啊啊啊操我视频| 日本不卡码黄色 | 青青欧美| 热久久无毒不卡| 999久久久国产精品| 精品一级毛片在线观看| 18禁在线视频| 一本一道vs波多野结衣| 日韩人妻一区二区精品| 99热最新网址| 一二三啪啪专区| 美熟女逼导航AV操逼| 黄色成年| 伦激情人妻另类人妻| av天堂手机版追回| 天美av在线观看| 美女毛片999| 国产美女高潮视频| 人人搞人人插人人操| 日本午夜操逼| 欧美第一页性| 五月天伊人| 影音资源男人日韩| 亚洲综合影院| 黄色性爱网网| 久久一二三四不卡| 97色操| 亚洲h片在线免费观看| 极品人妻少妇综合| 人妻 中文 日韩| 在线啊v一区| 日韩美女久久一区二区三区| 久久六六| 欧美熟妇色| heyZO天然素人无码AⅤ专区| 色五月亚洲| 亚洲熟女乱综合一区二区三区| 亚洲色五月| 极品白嫩福利在线| 青青草一区二区三区四| 九九亚洲| 午夜操逼不卡| 成人精品在线| 九九九九九九九九九九九九九九九女| 青青操青娱乐| 99热国产精品| 另类图片欧美激情综合| 精品婷婷| 亚洲国内精品成人不卡| 天美传媒AV在线播放| 久久直播国产| 日韩人妻资源网| 久久久青草青青国产亚洲免观精品高清完整版_97久久综合区小说区图片区,国精品 | 日韩人妻无码专区| 天天内射| J?P?NESEHD熟女熟妇伦| 国产AV久久久蜜爱影集| 99在线视频播放| 无码一区免费在线不卡| 99这里都是精品| 另类图片五月天| 日韩探花精品在线视频| 用力操死我| 97超碰久久| 1024人妻| 九九九九九九精品| 国产精品久久久久久久黄无码 | 97久久精品不卡| 黄色视频高清无码网站| 男人的天堂啪啪| 青青草原伊人网| 天天看,天天做| 97色视频在线| 国产一区二区免费福利片| 91久热这里只有精品| 99re99| www.夜夜操| 超碰在线综合97| 日韩性爱视频免费在线| 欧美视频激情久久久久久| 色欲天天婬色婬香WWW夜色| 99.色网| 亚欧免费观看视频| 一区二区三区四区五区高清无码永久视频 | 91少妇香蕉久久精品| 欧美Aⅴ| 99久久99九九99九九九| 日本亚洲嫩草影院啪啪| 丁香五月婷婷基地| 色逼综合| 国产精品经典一卡久久久| 日韩欧无码一区二区三区免费不卡 | 香蕉久久国产AV一区二区| 欧美日韩美女精品久草一区二区三区 | 亚洲操操操| 精人妻一区二区三区| 91强奸乱轮| 欧美一级美片在线观看免费| 久久夜夜| 亚洲欧美一区二区三区在钱蜜桃| 精品网站9999| 亚洲欧美日韩不卡人妻| 欧美操人视频| 亚洲色五月| 夜夜嗨视频| 18岁禁 茉莉成人久久| 伊人影院日本| 1024手机看片欧美日韩| 欧美疯狂做爰xxxx| 婷婷10月天青娱乐| 免费看毛片操穴| 人人操人人爽人人操人人| 亚洲视频一二区| 岛国黄| 久久原创中文| 色婷五月天| 日日夜夜精品视频| 啊啊啊不要啊啊受不了了视频在线| 国产97av| 97色欧州| 色婷婷狠狠| 日本操逼aaaaa| 十八禁电影伊人网| jk白丝没脱就开始啪啪| 变态另类专区| 人妻美腿丝袜制服诱惑综合天堂-| 亚洲亚洲亚洲天堂天堂| 国产少妇与亚洲av| 亚洲精品尤物yw在线影院| AV色五月天| 国产AV超爽| 国产亚洲性生活视频播放| 色五月AV在线| 9热9热综合网| 九九热视频在线观看| 秋霞一级鲁丝片A片| 久肏视频字幕| 啊啊啊啊啊啊好湿好爽视频| 日韩无码专区| 中文字幕一区二区日韩网| 欧美激情 亚洲色图| 欧美国产视频| 67914亚洲精品| 国产肏逼网站| 欧美日韩欧美| 98超碰日本| av在线人气| 九九色精品| 久久久亚洲高清不打码| 亚洲福利影院一区久久| 中文字幕乱偷人妻久久艾草网| 99亚洲精品| 性91| 自拍亚洲综合| 亚洲情色一区综合| 99色| 91成人在线免费视频| 襙一襙| 久久免费少妇| 国产伊人精品在线| 欧美青青草视频| 东京成人一区| 啊a一区在线| 日本在线不卡v二区| 黄片www视频免费| 啊啊啊啊免费视频| 亚洲综合草草| 国产视频大全| 日本大香蕉| 熟妇人妻精品一区二区视频色欲| 视频不卡中文字幕| 欧洲大香蕉| 婷婷五月天无码 | 日本三级久| 操逼操操操91| 男人a天堂手机在线版| 一本色道久久天天射天天干| 久操视频在线| 久久久av爱| 伊人久久88国产女| 天天干,夜夜爽| 亚洲午夜免费狠狠干| 日韩欧美经典在线观看| 日本欧美亚洲高清在线看| 亚州操逼图| 亚洲人妻中文高清| 国模艳艳啪啪一区| 国产A v无码专区| 天天弄天天操| 日韩一性一交一A片俄罗斯| 一区二区三区高清天码| 伊人精品久久网站| 日韩精品在线观看观看| 中文字幕久热视频在线| 国产性爱在线视频一区二区| 国产 日韩 欧美高清| 亚洲男人电影天堂| 九九九九九九视频免费| 中文字幕三四区| 蜜臀视频网站| 日韩 国产 欧美自拍| 影音先锋少妇| 韩国黄片aaaa| 一区二区三区精品久久| 狠狠色狠狠色狠狠五月| 国产人妖的免费的视频| 色嗨嗨在线| 欧亚在线视频| 99re视频在线观看这里只有精品| 思思热国产在线视频| 天天躁日日躁成人字幕aⅴ| 成人免费毛片| 午夜寂寞欧美| 五月天开心网| 欧美亚洲国产自久久| 伊人国产视频| 青青久久久| 丰满人妻-区二区三区| 免费人成毛片乱码| 成人激情无码在线视频| 九九性爱网| 精品久久青青草| 97视频620| 久久久久久99999国产精品| 久久久啊啊啊| 国产最火爆久久国产网站网站| 亚洲色欧| 可免费观看的av毛片中日美韩| 久久久青青草| 亚洲97成人在线观看| 福利伊人玖玖国产| 乱人伦 国语对白:视频直接看| 国产一区二区视频在线播放| 红杏大香蕉| 西西美女视频网| 天天操福利视频综合网站| 久久97超碰| 老熟女乱子伦中文字幕一区二区| 青娱乐福利99| 一区二区影院| 黄网在线播放| 日韩欧亚中文在线| 亚洲精品人体| 岛国激情视频在线观看| 成人性爱全视频观看| 国产精品久久9| 精品亚洲俞拍视频一区| 99少妇| 国产一级高跟丝袜| 九色 人妻 大香蕉| 99热免费精品| 老熟女综合| 亚洲中文一区二区三区| 看看小穴| 亚洲日韩资源| 免费观看性欧美一级| 五月天开心网| 青女在线| 神马麻豆福利院| 人人妻人人狠人人| 国产人妻一区二区三区欧美毛片| 四虎视频在线观看| 欧美伊人电影| 国产 日韩 欧美 中文 另类,国产 欧美 另类 制服 变态,高清 日韩 欧美 中文,高 | 91久久久亚洲| 精品亚洲国产成人精品| 青娱乐 成人娱乐在线| 99999国产| 睡产熟女乱伦| 亚洲91av| 久操| 国产女人和拘做爰视频| 欧洲乱码一区二区| 97天天日| 强奸乱伦大香蕉网| 伊人国产视频| 亚洲AV色图| 婷婷五月激情综合| 久久久天美| 亚洲AV无码翔田千里网站| 日本亚洲熟女视频| 日韩八十路老熟女| 欧美性生活免费网| 91伊人大香蕉| 玖玖爱在线视频免费观看| 五月婷婷综合在线| 撸无码不卡免费视频| 福利在线黄片| 97在线欧| 美女黄频a美女大全免费皮| 天天操天天日天天干| 免费观看国产不卡av| 91亚洲不卡一区| 超碰 欧美| 亚洲第一狼人丝袜美女另类 | 激情小说亚洲| 色色热| 97国产人人| 97色在线观看| 60秒不遮不挡| 伊人久久亚洲中文字幕| 免费视频一二三区| 久久久一区二区三区四曲免费听| 好爽,再快点啊哈嗯嗯嗯嗯| 成人毛片免费| 99操| 十八禁视频一区二区| 久久人妻四季| 91精品微拍福利| 九九国产热| 在线观看亚洲专区| 国产九九九九九九| 91日本在线观看| 亚洲中文字幕熟女少妇一区二区| 亚洲国产一区二区入口| 偷拍在线观看视频| 欧美日韩 强奸乱伦| 精品久久大胆人体| 日韩在线观看三级电影| 麻豆福利视频导航| 美女国产一区二区久久| 日本加靬比网站发布页| 国产91乱伦| 果冻传媒A片麻豆熟妇人妻| 亚洲精品美女久久久久久久久| 日韩二三区| 午夜啪啪片| 亚91网| 日本97久久久精品| 老司机射| 少妇极品熟妇人妻无码| 围产精品一区二区三区视频播放| 久草资源在线视频官方总站日韩丝袜美腿 | 天天做天天爱夜夜爽毛片试看| 巨爆乳肉感一区二区三区竹菊影视| 日本美女性生活久久久久久久| 9久9久| 亚欧美天堂在线| 天天色天天干天天射| 91美女视频电影| 人人插人人搞人人操| 日韩亚洲欧美中文字幕| 日本天天干天天搞一区| 天天插天天插| 91影库| 91观看 国产白丝| 啊啊啊啊啊好大好舒服想要| 欧美一区二区三区日韩| 色吧5亚洲| 蜜桃AV天堂| 大香蕉综合久久| 狠狠综合网| 国产精品久久久久久久黄无码| 狠插 制服 自拍| 国产精品老师| A一区片| 91老司机精品| 蜜臀久久99精品| 夜夜爽33333| 亚州AV无码国产精品| 大香蕉淫人| 久久久久久久六六| 爱干爱射网啊啊啊| 日本午夜久久电影| 免费?级毛片无码?∨蜜芽试看| 国产成自自拍在线观看| 日韩一性一交一A片俄罗斯| 国产又黄又爽| 综合色久欲| 国产传媒日本欧美专区| 综合色99| 婷婷五月天激情网| 香蕉国产精品麻豆亚洲欧美日韩| 国产玖玖| 手机看片1024你懂的国产| 超碰97人人cao| 亚洲影视综合| 亚洲好色人妻| 亚洲色欲一区二区三区| 亚洲精品亚洲人成人网| 一级久久久久久久久久久| 91色人妻| 亚洲午夜精品久久久中文影院| 狠狠操狠狠| 日韩性爱电影一区| 高清国产无码av| 国内伊人久久久久久网站视频| 91视频观看网站| 青草视频在线看看看看看看看看看| 久久激情婷婷| 国产精品久久久久婷婷二区次| 亚洲一区中文字幕久久,果冻传媒一区二区天美传媒 | 色婷婷国产精品一区在线观看| 亚洲熟女国产综合另类| 99热在线播放| 探花精品视频| 青娱乐久久艹| 亚洲一卡2卡3卡4卡乱码网站| 暴力av在线| 九久久精品| av天天在线| 久久久111| 少妇色综合| 97人人干| 99色在线观看| 9色在线| 国产精品一区二区三区在线密挑| 中文字幕乱码人妻二区三区| 婷婷涩嫩草鲁丝久久午夜精品| 少妇专区一二三四五| 麻豆天美传媒在线视频天堂| 日本一天色道久久久精品视频| 9l视频自拍9l九色成人| 伊人久久大香大香线蕉中文| 五月丁香社区婷婷日韩欧美精品影院| 999熟女精品| 国产第11页| 色男人色天堂东京热| 久久久96精品| 精品无码人妻一区二区免费蜜桃| 日韩欧美视频青青| 亚洲五月婷婷| 久久精品色欧美aⅴ一区二区| 精品视频在线观看精品| 国产精品久久久久久亚洲色欲| 亚州,欧美在线| 欧美亚洲高清晰| 久久久久久加勒比| 亚洲欧美天堂| 综合久久久久久久久91| 欧亚性爱在线视频| 国产一区二区三区免费视频在性观看| 人妻激情视频| 色综合99999| 久久国产精品视频| 91天堂| 亚洲 小说 欧美 激情 另类| 亚洲 日本 国产 综合| 最新日韩黄片| 亚洲强奸乱伦影视网| 久久婷婷视频| 99爱久久视频频| 久久久久大香青草精品综合| 91美女视频直播| 亚洲影视综合|