Silero VAD 部署示例

本目录下提供infer_onnx_silero_vad快速完成 Silero VAD 模型在CPU/GPU。

在部署前，需确认以下两个步骤

1. 软硬件环境满足要求，参考FastDeploy环境要求
1. 根据开发环境，下载预编译部署库和samples代码，参考FastDeploy预编译库

以Linux上 VAD 推理为例，在本目录执行如下命令即可完成编译测试。

mkdir build
cd build
# 下载FastDeploy预编译库，用户可在上文提到的`FastDeploy预编译库`中自行选择合适的版本使用
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-x.x.x.tgz
tar xvf fastdeploy-linux-x64-x.x.x.tgz
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-x.x.x
make -j

# 下载 VAD 模型文件和测试音频，解压后将模型和测试音频放置在与 infer_onnx_silero_vad.cc 同级目录下
wget https://bj.bcebos.com/paddlehub/fastdeploy/silero_vad.tgz
wget https://bj.bcebos.com/paddlehub/fastdeploy/silero_vad_sample.wav

# 推理
./infer_onnx_silero_vad ../silero_vad.onnx ../silero_vad_sample.wav

以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:

如何在Windows中使用FastDeploy C++ SDK

VAD C++ 接口

Vad 类

Vad::Vad(const std::string& model_file,
    const fastdeploy::RuntimeOption& custom_option = fastdeploy::RuntimeOption())

参数

model_file(str): 模型文件路径

runtime_option(RuntimeOption): 后端推理配置，默认为None，即采用默认配置

setAudioCofig 函数

必须在init函数前调用

void Vad::setAudioCofig(int sr, int frame_ms, float threshold, int min_silence_duration_ms, int speech_pad_ms);

参数

sr(int): 采样率

frame_ms(int): 每次检测帧长，用于计算检测窗口大小

threshold(float): 结果概率判断阈值

min_silence_duration_ms(int): 用于计算判断是否是 silence 的阈值

speech_pad_ms(int): 用于计算 speach 结束时刻

init 函数

用于初始化音频相关参数

void Vad::init();

loadAudio 函数

加载音频

void Vad::loadAudio(const std::string& wavPath)

参数

wavPath(str): 音频文件路径

Predict 函数

用于开始模型推理

bool Vad::Predict();

getResult 函数

用于获取推理结果

std::vector<std::map<std::string, float>> Vad::getResult(
            float removeThreshold = 1.6, float expandHeadThreshold = 0.32, float expandTailThreshold = 0,
            float mergeThreshold = 0.3);

参数

removeThreshold(float): 丢弃结果片段阈值；部分识别结果太短则根据此阈值丢弃

expandHeadThreshold(float): 结果片段开始时刻偏移；识别到的开始时刻可能过于贴近发声部分，因此据此前移开始时刻

expandTailThreshold(float): 结果片段结束时刻偏移；识别到的结束时刻可能过于贴近发声部分，因此据此后移结束时刻

mergeThreshold(float): 有的结果片段十分靠近，可以合并成一个，据此合并发声片段

输出结果格式为std::vector<std::map<std::string, float>>

输出一个列表，每个元素是一个讲话片段

每个片段可以用 'start' 获取到开始时刻，用 'end' 获取到结束时刻

提示

setAudioCofig函数必须在init函数前调用
输入的音频文件的采样率必须与代码中设置的保持一致

3.8 KiB Raw Blame History Unescape Escape