FireRedVad ONNX 语音活动检测脚本使用说明

简介

安装依赖

准备模型文件

• ONNX 模型：如 model.onnx
• CMVN 文件：cmvn.ark（Kaldi 格式，用于特征归一化）

使用

1. 下载模型：
   bash

   1cd /to/path 2 3# 示例：从 Modelscope 下载 4git clone https://modelscope.cn/models/manyeyes/FireRedVad-onnx.git 5 6# 进入模型目录 7cd FireRedVad-onnx
2. 准备推理脚本：将以下完整脚本保存为 fireredvad_onnx_inference.py（或直接下载示例脚本）。
3. 修改脚本配置：在脚本末尾的 __main__ 部分，将以下路径改为实际路径：
   python

   1 onnx_path = "/path/to/FireRedVad-onnx/model.onnx" 2 cmvn_path = "/path/to/FireRedVad-onnx/cmvn.ark" 3 audio_file = "/path/to/FireRedVad-onnx/0.wav"
4. 运行测试：
   python fireredvad_onnx_inference.py
   输出示例：

   特征形状: (1235, 80), 音频时长: 12.369s
   概率统计: min=0.0005, max=0.3112, mean=0.0423
   超过阈值的帧数: 30 / 1235
   音频时长: 12.369 秒
   检测到的语音段:
     0.070 - 5.350
     6.250 - 9.540
     10.050 - 12.100

5. 代码调用：
   python

   1from fireredvad_onnx_inference import ONNXFireRedVad, FireRedVadConfig 2 3# 配置参数（可根据需要调整） 4config = FireRedVadConfig( 5 use_gpu=False, 6 smooth_window_size=5, 7 speech_threshold=0.4, 8 min_speech_frame=20, 9 max_speech_frame=2000, 10 min_silence_frame=20, 11 merge_silence_frame=20, 12 extend_speech_frame=20 13) 14 15# 初始化 VAD 引擎 16vad = ONNXFireRedVad( 17 onnx_path="model.onnx", 18 config=config, 19 cmvn_path="cmvn.ark" 20) 21 22# 对音频文件进行检测 23result, probs = vad.detect("test.wav") 24print(f"音频时长: {result['dur']} 秒") 25for seg in result['timestamps']: 26 print(f" {seg[0]:.3f} - {seg[1]:.3f}")

注意事项

• 音频格式：输入音频需为 16kHz 单声道，支持常见格式（wav、flac 等），脚本会自动读取。
• 特征提取：内部使用 80 维 FBank（帧长 25ms，帧移 10ms），与训练时一致。
• 后处理参数：
  • speech_threshold：语音概率阈值，默认 0.4，可根据实际输出概率调整（如 0.3~0.4）。
  • min_speech_frame：最短语音帧数（20 帧 = 0.2 秒），低于此值的语音段被丢弃。
  • min_silence_frame：最短静音帧数，用于合并短停顿。
  • extend_speech_frame：语音段前后扩展帧数，可补偿边界偏移。
• GPU 推理：如需 GPU 加速，在配置中设置 use_gpu=True，并确保已安装 onnxruntime-gpu。