fasr-vad-firered

英文文档地址: README_EN.md

FireRedVAD 语音活动检测插件。插件内置 FireRedVAD 的 Python 推理代码，加载官方 FireRedVAD checkpoint 后输出 fasr 的 AudioSpan 或流式 AudioChunk。

安装

pip install fasr-vad-firered

开发环境中可以在仓库根目录使用：

uv sync --group dev

注册模型

默认 checkpoint 是 FireRedTeam/FireRedVAD，默认使用 ModelScope 下载。官方模型目录通常包含 VAD/ 和 Stream-VAD/ 两个子目录；插件会按注册名自动选择对应子目录。

配置示例

离线 VAD：

[vad_model]
@vad_models = "firered"
use_gpu = false
speech_threshold = 0.4
min_speech_frame = 20
min_silence_frame = 50

流式 VAD：

[service.vad_model]
@vad_models = "firered_online"
use_gpu = false
chunk_size_ms = 100
speech_threshold = 0.5
pad_start_frame = 5
min_speech_frame = 8
min_silence_frame = 50

realtime 快速启动示例：

fasr-service-realtime serve --vad firered_online --stream-asr paraformer_online

Python 使用

离线检测：

from fasr.config import registry
from fasr.data import AudioSpan, Waveform

model = registry.vad_models.get("firered")(speech_threshold=0.4)
segments = model.detect(
    AudioSpan(start_ms=0, waveform=Waveform.from_file("example.wav"))
)
for segment in segments:
    print(segment.start_ms, segment.end_ms)

流式检测：

from fasr.config import registry
from fasr.data import AudioChunk

vad = registry.vad_models.get("firered_online")(chunk_size_ms=100)
for audio_chunk in realtime_chunks:
    for emitted in vad.push_chunk(audio_chunk):
        print(emitted.vad_state, emitted.start_ms, emitted.end_ms)

firered_online 也实现了 detect()。它直接调用官方 Stream-VAD 的 detect_full()，因此 batch 输出会和官方 Stream-VAD 完整音频模式一致。 实时 push_chunk() 也按官方 chunkwise 方式切块：当 chunk_size_ms = 100 时，内部实际送入模型的是 115ms 窗口、100ms 步长，相邻窗口保留 15ms 重叠，以避免 fbank 边界帧丢失。

参数

FireRedVAD 的帧移约为 10ms，所以 *_frame 参数都可以粗略理解为 帧数 * 10ms。例如 min_silence_frame = 50 约等于需要连续 500ms 静音才判定说话结束。

离线和流式共有参数：

离线 batch detect 后处理参数：

流式专属参数：

realtime 动态更新

firered_online 支持 realtime session.update 的 turn_detection 映射：

依赖

• fasr
• torch >= 2.0.0
• numpy >= 1.24
• soundfile >= 0.12
• kaldiio >= 2.18
• kaldi-native-fbank >= 1.19
• textgrid