fasr-vad-silero 0.5.8

Silero VAD model for fasr

fasr-vad-silero

英文文档地址: README_EN.md

Silero 流式 VAD 插件。官方 TorchScript 权重随包分发，启动时不依赖 torch.hub 或网络下载，并封装为 fasr 的流式 VADModel，输出带有 segment_start、segment_mid、segment_end 状态的 AudioChunk。

安装

pip install fasr-vad-silero

注册模型

注册名	类	适用场景
silero	SileroStreamVAD	轻量流式 VAD

流式使用

from fasr.config import registry

vad = registry.vad_models.get("silero")(
    threshold=0.5,
    silence_duration_ms=500,
)

for input_chunk in audio_chunks:
    for speech_chunk in vad.push_chunk(input_chunk):
        print(speech_chunk.vad_state, speech_chunk.start_ms, speech_chunk.end_ms)

批量使用

from fasr.data import AudioSpan

segments = vad.detect(
    AudioSpan(
        start_ms=0,
        waveform=waveform,
    )
)

detect(...) 会把整段音频按流式路径重放一遍，因此批量分段和实时模式共享同一套 阈值、prefix padding 与端点规则。

目标	写法	效果
减少噪声触发	threshold=0.65	需要更高语音概率
保留轻声	threshold=0.35	更敏感，误检风险更高
更快结束	silence_duration_ms=200	端点延迟更低
避免停顿切碎	silence_duration_ms=700	更容忍短暂停顿

Confection 配置

[vad_model]
@vad_models = "silero"
threshold = 0.5
silence_duration_ms = 500
prefix_padding_ms = 0
sample_rate = 16000
chunk_size_ms = 32

参数

参数	类型 / 范围	默认值	调高时	调低时	什么时候改
threshold	float，0.0 到 1.0	0.5	更严格，噪声起点更少	更敏感，保留更多弱语音	噪声误触发或轻声漏掉
silence_duration_ms	int >= 0	500	更久静音才结束	更快结束	语音被切碎或结束太晚
prefix_padding_ms	int >= 0	0	更不容易截掉句首，但可能带入更多前置噪声	片段更紧，但更容易丢掉第一个音节	句首被截断，或前置噪声过多
sample_rate	int	16000	建议保持 16k	建议保持 16k	通常不要改
chunk_size_ms	int	32	输入块更大，调用更少	块更小，延迟更低	流式延迟和调度开销调优

调参建议

现象	优先尝试
背景噪声触发语音	threshold=0.6 或 0.7
轻声被漏掉	threshold=0.35 或 0.4
语音结束太晚	silence_duration_ms=200 或 300
停顿中被切开	silence_duration_ms=600 或 800
第一个音节被截掉	prefix_padding_ms=64 或 128

运行时断句更新

silero 支持通过 apply_turn_detection(...) 做实时断句参数更新。 这个接口主要给 websocket 这类长连接会话使用。

当前支持的运行时参数：

• silence_duration_ms
• threshold
• prefix_padding_ms

prefix_padding_ms 在 wrapper 状态机层实现：第一次检测到语音时，会把输出片段 起点按设定值向前回退，并在已有缓冲音频范围内做裁剪。

依赖

• fasr
• numpy >= 1.24
• torch >= 2.0.0
• Python 3.10-3.12