snakers4/silero-vad

解決的問題

Silero VAD 是一款預訓練的、企業級的語音活動檢測器 (VAD)，旨在準確識別音訊串流中是否存在語音，並過濾背景噪音與非語音聲音。

工作原理

它使用一個輕量級的預訓練模型（大小約為 2MB），可以透過 PyTorch 或 ONNX Runtime 執行。該模型是在涵蓋 6,000 多種語言的大規模數據集上訓練的，使其能夠在不同的領域和雜訊水平下表現出色。它支援 8,000 Hz 和 16,000 Hz 的採樣率。

適用對象

構建語音介面、IoT/邊緣/行動應用、電話自動化、呼叫中心機器人以及進行音訊數據集數據清洗的開發人員。

亮點

• 高性能：在單個 CPU 執行緒上處理音訊區塊 (30+ ms) 的時間不到 1ms。
• 廣泛的語言支援：在 6,000 多種語言上進行過訓練，具有極高的魯棒性。
• 高度可移植性：相容於 PyTorch 和 ONNX，能夠部署在包括 C++、Rust、Go、Java 和 C# 在內的各種平台上。
• 輕量化：極小的模型尺寸 (~2MB) 使其成為邊緣設備的理想選擇。
• 寬鬆的授權：採用 MIT 授權，無遙測功能，無供應商鎖定。