/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
11 авг 2026

streaming-vad-crnn

Поиск речи в аудиоАудио → label

Компактная потоковая причинная CRNN-модель nassimaODL для покадрового обнаружения речи в аудио перед активацией по ключевому слову или распознаванием речи.

0скачиваний за 30 дней0лайковвеса обновлены8 сен 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

Streaming Neural VAD — Causal CRNN — это компактная модель nassimaODL для покадрового определения речи и тишины в аудио. Она предназначена для локальной работы и предварительного отсева тишины перед активацией по ключевому слову или распознаванием речи. Архитектура включает четыре причинных остаточных блока depthwise-separable Conv1D с ядром 5 и дилатациями 1, 2, 4 и 8, за которыми следуют однонаправленный GRU с размером скрытого состояния 64 и линейный покадровый классификатор. На вход подаются 64-мерные log-mel признаки с шагом 10 мс; в модели нет упреждения, но центрированное окно анализа добавляет задержку 12,5 мс. Всего в модели 47 873 параметра, формат весов — safetensors, библиотека — PyTorch.

Модель обучена на чистой англоязычной речи в стиле LibriSpeech с добавлением шума MUSAN. На ограниченном тесте чистой речи и в тестах с добавочным шумом показаны высокие результаты, однако модель остаётся исследовательским прототипом: она не проверена на реальном дальнепольном аудио, нескольких говорящих и реверберации. Тест охватывал четыре голоса и один seed; опубликованная задержка измерялась на серверном CPU, а потоковая обработка чанками не тестировалась. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и правообладателем.

Сценарии применения

  • Определение речевых кадров в аудиопотоке
  • Отсечение тишины перед распознаванием речи
  • Управление запуском ASR по активности речи
  • Предварительная фильтрация аудио для детектора ключевого слова

Ограничения

Обучение и оценка охватывают чистую английскую речь и добавочный шум; работа с реверберацией, дальнепольным аудио и несколькими говорящими не проверена. Тест включал только четыре голоса и один seed, а задержка на целевом устройстве и потоковая обработка чанками не оценивались.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Streaming Neural VAD — Causal CRNN (47,873 params)

A small-footprint, causal, streaming-oriented Voice Activity Detector built for an on-device far-field target. Four causal depthwise-separable Conv1D residual blocks (kernel 5, dilations {1,2,4,8}) followed by a unidirectional GRU (hidden 64) and a per-frame linear head, over 64-bin log-mel features at a 10 ms frame rate.

  • Parameters: 47,873 (~0.19 MB FP32)
  • Look-ahead: 0 ms in the network; 12.5 ms from the centred 25 ms analysis window
  • CPU end-to-end RTF: 0.0035 on 60 s inputs (single thread, Xeon Gold 6248)
  • Framework: PyTorch 2.8

Intended use

Frame-level speech/non-speech decisions upstream of wake-word / ASR gating. Trained on clean read English (LibriSpeech-style) with additive MUSAN noise; it is a research prototype, not validated on real far-field, multi-speaker, or reverberant audio (see Limitations).

Results

Held-out, speaker-disjoint clean test partition (93 utterances, 4 speakers). All operating thresholds are selected on validation only, then frozen.

SystemPrecisionRecallF1FAMissCollared DER
Energy (calibrated)0.9450.9410.9430.2940.0597.07%
Silero (calibrated)0.9760.9760.9760.1260.024—
CRNN raw0.9860.9660.9760.0730.0341.15%
CRNN + post0.9870.9700.9780.0690.0300.64%

Continuous-score: CRNN AUROC 0.984 / AUPRC 0.997; Silero 0.982 / 0.996. A paired 10k-utterance bootstrap gives a 95% CI of [0.0009, 0.0035] for the clean F1 difference (CRNN − calibrated Silero).

Noise robustness (frame F1, held-out MUSAN, global-RMS SNR):

SNR (dB)−505101520
CRNN + post0.9320.9520.9610.9690.9720.974
Silero0.9130.9500.9660.9690.9720.974
Energy0.9160.9170.9170.9180.9190.924

Full analysis, curves, and caveats are in the accompanying technical report.

Usage

from inference import VAD
vad = VAD("vad_crnn_export")            # dir with model.safetensors + config.json
probs, mask, times = vad("clip.wav")    # frame probs, binary mask, frame centres (s)

vad_model.py must contain your real architecture — see its docstring.

Files

  • vad_crnn_export/model.safetensors, vad_crnn_export/config.json — weights + config
  • inference.py — standalone loader / predictor
  • vad_model.py — architecture factory (you paste your crnn.py here)
  • export_checkpoint.py — regenerates the export from the training checkpoint

Limitations

Clean read English only; additive-noise robustness under a global-RMS SNR definition; reverberation untested in the released model; four test speakers; single training seed; server-CPU (not target-device) latency; no stateful chunked-streaming benchmark. Do not treat in-domain F1 as deployed performance.

Training data & attribution

Provided challenge corpus (LibriSpeech-derived) + MUSAN music/noise for augmentation. The corpus and any derived mixtures are not redistributed here. LibriSpeech (Panayotov et al., 2015), MUSAN (Snyder et al., 2015).

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

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

Ревизия весов
2341b91

0 моделей