snakers4/silero-vad

何を解決するか

Silero VAD は、音声と静音または背景ノイズを正確に識別するように設計された、事前学習済みで企業向けの音声活動検出器（VAD）です。エッジデバイスやモバイルプラットフォームを含むさまざまなハードウェア環境で、高いパフォーマンスとポータビリティを最適化しています。

動作方法

このプロジェクトは、PyTorch または ONNX Runtime で処理可能な事前学習済みモデルを提供します。8000 Hz および 16000 Hz のサンプリングレートをサポートし、30 ms 以上の音声チャンクを単一の CPU スレッドで 1 ms 未満で処理できます。モデルは軽量（約 2MB）で、6,000 語以上をカバーする大規模なデータセットで学習されており、さまざまなドメインやノイズレベルにわたる堅牢性を確保しています。

対象ユーザー

• 音声インターフェースおよび音声ボットの開発者：ユーザーが話しているタイミングを検出するため。
• IoT およびエッジデバイスのエンジニア：制限されたハードウェア上で軽量で高性能な音声検出を実装するため。
• データサイエンティスト：非音声セグメントを削除することで、音声データセットのクリーニングと準備を行うため。
• 電話通話およびコールセンター自動化のエンジニア：音声ベースのインタラクションを自動化するため。

特徴

• 高い精度：音声検出タスクで優れた結果を提供。
• 高いパフォーマンス：CPU でチャンクあたり 1 ms 未満の極めて高速な処理時間。GPU および ONNX 加速をオプションで利用可能。
• 広範な言語対応：6,000 語以上で学習済みで、グローバルな適用性を実現。
• 非常にポータブル：PyTorch および ONNX と互換性があり、C++、Rust、Go、Java、C# などさまざまなランタイムと言語でデプロイ可能。
• 軽量：小さなモデルサイズ（約 2MB）で、容易なデプロイが可能。
• 許容性の高いライセンス：テレメトリやベンダー制限なしの MIT ライセンスでリリース。