Silero 语音活动检测器

# 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)

模型描述

Silero VAD:预训练的企业级语音活动检测器 (VAD)。企业级语音产品,使用简单(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。然而,WebRTC 开始显老,并且存在许多误报。

(!!!) 重要提示 (!!!) – 这些模型旨在仅在 CPU 上运行,并且已针对 1 个 CPU 线程的性能进行优化。请注意,模型已量化。

其他示例和基准

有关其他示例和其他模型格式,请访问此 链接,并请参阅 Colab 格式的 extenso 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。

预训练语音活动检测器

模型类型: 音频 | 可脚本化
提交者: Silero AI 团队