silero-vad

项目介绍：Silero VAD

Silero VAD 是一个预训练的企业级语音活动检测器（Voice Activity Detector），旨在提供高效、精准的语音检测解决方案。作为一个便捷的语音识别工具，它专注于探测音频中的语音活动，不依赖键或注册即可使用，拥有高度的可移植性和灵活性。

项目主要特点

• 出色的准确性
  Silero VAD 在语音检测任务中表现卓越，无论何种背景噪音或音频质量下都能高效运作。

• 快速处理能力
  在单个CPU线程上处理一段30多毫秒的音频仅需不到1毫秒，通过批处理或使用GPU可以显著提高性能。

• 轻量级设计
  JIT模型体积仅约两兆字节，方便集成至各类设备。

• 广泛的语言支持
  训练数据覆盖了超过6000种语言，能够在不同领域的音频中良好运作。

• 灵活的采样率支持
  支持8000 Hz 和 16000 Hz 的采样率。

• 高便携性
  Silero VAD 利用 PyTorch 和 ONNX 构建的丰富生态系统，能够在这些运行时所支持的各类硬件上运行。

• 无附加条件
  使用MIT许可证发布，不带有任何附加条件，如遥测、密钥、注册等。

使用场景

• 物联网、边缘设备及移动设备语音活动检测
  适用于需要实时语音检测的应用场景，如智能设备和移动终端。

• 数据清理与准备
  用于处理和提取语音数据，广泛应用于数据分析和数据清洗。

• 电话和呼叫中心自动化
  促进电话和呼叫中心自动化，通过语音机器人的应用提高工作效率。

• 语音接口应用
  增强语音交互设备的能力，为用户提供更友好的人机交互体验。

快速开始

要开始使用 Silero VAD，可以通过 pip 来安装：

pip install silero-vad

使用简单的Python代码即可完成基础的语音检测任务：

from silero_vad import load_silero_vad, read_audio, get_speech_timestamps

model = load_silero_vad()
wav = read_audio('path_to_audio_file')
speech_timestamps = get_speech_timestamps(
  wav,
  model,
  return_seconds=True  # 默认返回以采样计的时间戳
)

同样可以使用 torch.hub 集成进行语音检测：

import torch
torch.set_num_threads(1)

model, utils = torch.hub.load(repo_or_dir='snakers4/silero-vad', model='silero_vad')
(get_speech_timestamps, _, read_audio, _, _) = utils

wav = read_audio('path_to_audio_file')
speech_timestamps = get_speech_timestamps(
  wav,
  model,
  return_seconds=True
)

典型依赖

为了在 x86-64 系统上运行 Python 示例，Silero VAD 需要以下系统要求和依赖：

• 系统要求：Python 3.8+，1G以上的内存，以及支持 AVX、AVX2、AVX-512 或 AMX 指令集的现代 CPU。
• 依赖项：torch>=1.12.0, torchaudio>=0.12.0, onnxruntime>=1.16.1。

提供多种音频后端支持，如 FFmpeg、sox_io 和 soundfile。

结尾

Silero VAD 的高度灵活性和便捷的使用体验，使其成为语音检测领域不可或缺的工具。对于开发人员来说，该工具不仅适应多种应用场景，还提供详尽的示例和社区支持，助力项目的高效开发。