Характеристики

Лицензия: MIT
Опубликована: 22 июл 2026

Ссылки

Hugging Face

betterflow-silero-vad

mobilebytesensei

Поиск речи в аудиоАудио → label

Silero VAD v4 в формате ONNX обнаруживает речевые фрагменты в аудио для сегментации диктовки.

0скачиваний за 30 дней0лайковвеса обновлены22 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это неизменённая копия Silero VAD v4 в формате ONNX, разработанная Silero и экспортированная проектом k2-fsa. Репозиторий mobilebytesensei/betterflow-silero-vad размещает файл silero_vad.onnx из выпуска sherpa-onnx asr-models, чтобы приложение betterflow могло закрепить конкретную ревизию и проверять её контрольную сумму при установке.

Модель обнаруживает речь в аудиосигнале и подходит для разделения диктовки на фразы по окончанию речевой активности, чтобы распознавать фрагменты независимо и быстрее показывать первый результат. Вход модели — блок из 512 аудиосэмплов с частотой 16 кГц; эта форма фиксирована и не настраивается. Лицензия — MIT. Карточка не описывает ограничения точности или перечень поддерживаемых языков.

Сценарии применения

обнаружение речи в аудиопотоке
разбиение диктовки на фразы
выделение речевых участков перед распознаванием речи

Ограничения

Модель рассчитана на аудио с частотой 16 кГц и принимает только блоки фиксированной длины — 512 сэмплов за вызов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

betterflow — Silero VAD

silero_vad.onnx as distributed in the k2-fsa/sherpa-onnx asr-models release. Mirrored here only so betterflow can pin an immutable revision and verify a sha256 at install time; the weights are unmodified.

Used to cut a dictated utterance into VAD-endpointed phrases so each decodes independently, which lets the first text reach the user without waiting for the whole decode.

ONNX input x is fixed at shape [1, 512] — 512 samples at 16 kHz, per call. Not configurable.
Self-describes as silero-vad v4 exported by k2-fsa, 16 kHz branch only.
sha256: 9e2449e1087496d8d4caba907f23e0bd3f78d91fa552479bb9c23ac09cbb1fd6
Upstream: https://github.com/snakers4/silero-vad (MIT)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Ревизия весов: 0ae4113