60 lines
2.9 KiB
Markdown
60 lines
2.9 KiB
Markdown
|
# AliFsmnVadSharp
|
|||
|
|
##### 简介：
|
|||
|
|
项目中使用的VAD模型是阿里巴巴达摩院提供的FSMN-Monophone VAD模型。
|
|||
|
|
**项目基于Net 6.0，使用C#编写，调用Microsoft.ML.OnnxRuntime对onnx模型进行解码，支持跨平台编译。项目以库的形式进行调用，部署非常方便。**
|
|||
|
|
VAD整体流程的rtf在0.008左右。
|
|||
|
|
|
|||
|
|
##### 用途：
|
|||
|
|
16k中文通用VAD模型：可用于检测长语音片段中有效语音的起止时间点.
|
|||
|
|
FSMN-Monophone VAD是达摩院语音团队提出的高效语音端点检测模型，用于检测输入音频中有效语音的起止时间点信息，并将检测出来的有效音频片段输入识别引擎进行识别，减少无效语音带来的识别错误。
|
|||
|
|
|
|||
|
|
##### VAD常用参数调整说明（参考：vad.yaml文件）：
|
|||
|
|
max_end_silence_time：尾部连续检测到多长时间静音进行尾点判停，参数范围500ms～6000ms，默认值800ms(该值过低容易出现语音提前截断的情况)。
|
|||
|
|
speech_noise_thres：speech的得分减去noise的得分大于此值则判断为speech，参数范围：（-1,1）
|
|||
|
|
取值越趋于-1，噪音被误判定为语音的概率越大，FA越高
|
|||
|
|
取值越趋于+1，语音被误判定为噪音的概率越大，Pmiss越高
|
|||
|
|
通常情况下，该值会根据当前模型在长语音测试集上的效果取balance
|
|||
|
|
|
|||
|
|
##### 模型获取
|
|||
|
|
|
|||
|
|
##### 调用方式：
|
|||
|
|
###### 1.添加项目引用
|
|||
|
|
using AliFsmnVadSharp;
|
|||
|
|
|
|||
|
|
###### 2.初始化模型和配置
|
|||
|
|
```csharp
|
|||
|
|
string applicationBase = AppDomain.CurrentDomain.BaseDirectory;
|
|||
|
|
string modelFilePath = applicationBase + "./speech_fsmn_vad_zh-cn-16k-common-pytorch/model.onnx";
|
|||
|
|
string configFilePath = applicationBase + "./speech_fsmn_vad_zh-cn-16k-common-pytorch/vad.yaml";
|
|||
|
|
string mvnFilePath = applicationBase + "./speech_fsmn_vad_zh-cn-16k-common-pytorch/vad.mvn";
|
|||
|
|
int batchSize = 2;//批量解码
|
|||
|
|
AliFsmnVad aliFsmnVad = new AliFsmnVad(modelFilePath, configFilePath, mvnFilePath, batchSize);
|
|||
|
|
```
|
|||
|
|
###### 3.调用
|
|||
|
|
方法一(适用于小文件)：
|
|||
|
|
```csharp
|
|||
|
|
SegmentEntity[] segments_duration = aliFsmnVad.GetSegments(samples);
|
|||
|
|
```
|
|||
|
|
方法二(适用于大文件)：
|
|||
|
|
```csharp
|
|||
|
|
SegmentEntity[] segments_duration = aliFsmnVad.GetSegmentsByStep(samples);
|
|||
|
|
```
|
|||
|
|
###### 4.输出结果：
|
|||
|
|
```
|
|||
|
|
load model and init config elapsed_milliseconds:463.5390625
|
|||
|
|
vad infer result:
|
|||
|
|
[[70,2340][2620,6200][6480,23670][23950,26250][26780,28990][29950,31430][31750,37600][38210,46900][47310,49630][49910,56460][56740,59540][59820,70450]]
|
|||
|
|
elapsed_milliseconds:662.796875
|
|||
|
|
total_duration:70470.625
|
|||
|
|
rtf:0.009405292985552491
|
|||
|
|
```
|
|||
|
|
输出的数据，例如：[70,2340]，是以毫秒为单位的segement的起止时间，可以以此为依据对音频进行分片。其中静音噪音部分已被去除。
|
|||
|
|
|
|||
|
|
其他说明：
|
|||
|
|
测试用例：AliFsmnVadSharp.Examples。
|
|||
|
|
测试环境：windows11。
|
|||
|
|
测试用例中samples的计算,使用的是NAudio库。
|
|||
|
|
|
|||
|
|
通过以下链接了解更多：
|
|||
|
|
https://www.modelscope.cn/models/damo/speech_fsmn_vad_zh-cn-16k-common-pytorch/summary
|