# this assumes that you have a proper version of PyTorch already installed
pip install -q torchaudio

import torch
torch.set_num_threads(1)

from IPython.display import Audio
from pprint import pprint
# download example
torch.hub.download_url_to_file('https://models.silero.ai/vad_models/en.wav', 'en_example.wav')

model, utils = torch.hub.load(repo_or_dir='snakers4/silero-vad',
                              model='silero_vad',
                              force_reload=True)

(get_speech_timestamps,
 _, read_audio,
 *_) = utils

sampling_rate = 16000 # also accepts 8000
wav = read_audio('en_example.wav', sampling_rate=sampling_rate)
# get speech timestamps from full audio file
speech_timestamps = get_speech_timestamps(wav, model, sampling_rate=sampling_rate)
pprint(speech_timestamps)

模型说明

Silero VAD：预训练的企业级语音活动检测器 (VAD)。让企业级语音产品变得简单易用（请参阅我们的 STT 模型）。每个模型都是单独发布的。

目前，除了 WebRTC 语音活动检测器（链接）之外，几乎没有高质量/现代化/免费/公共的语音活动检测器。不过，WebRTC 开始显得过时，并且存在许多误报。

(!!!) 重要通知 (!!!) - 这些模型仅设计用于在 CPU 上运行，并已针对在 1 个 CPU 线程上的性能进行了优化。请注意，模型已量化。

更多示例和基准测试

如需更多示例和其他模型格式，请访问此链接，并请参阅 Colab 格式的详细示例（包括流式示例）。

参考文献

VAD 模型架构基于类似的 STT 架构。