SileroVAD

流式语音端点识别

预编译产物

本仓库只放预编译产物，不放 C++ 源码（C++ SDK 源码如需交付请以 GitHub 源码仓库为准）。

产物	芯片	NPU	板子型号
silero_vad_ax650.axmodel	AX650	NPU3	AX650N
silero_vad_ax630c.axmodel	AX620E	NPU2	AX630C

这两个 axmodel 也已打包进 silero-vad-axera（PyPI / GitHub）， load_silero_vad('ax650' | 'ax630c') 会直接使用；这里提供单独下载。

安装依赖

本仓库只支持 axmodel（NPU）推理（AX650 / AX630C），不再支持 onnx CPU 后端。

sudo apt install libsndfile1

pip install -r requirements.txt

Demo

CLI

python main.py --input demo.wav --backend ax650 --output_dir output   # AX650 板
python main.py --input demo.wav --backend ax630c --output_dir output  # AX620E/AX630C 板

被分段的语音后保存在output目录中

Gradio

pip install gradio

python gradio_app.py

在项目中使用

1. 复制StreamVAD.py 到项目中
2. from StreamVAD import StreamVAD
3. 初始化

vad = StreamVAD(args.backend, 
                    sensitivity=0.5,
                    silence_ms=200)

运行

for result in vad.run(audio, vad.sr):
    if result:
        print(result)

vad.sr 为模型采样率，固定 16000；run() 支持 16000 的整数倍采样率 （自动按比例换算帧长）。

result的格式为:

{
    'start_ts': 语音开始的时间
    'end_ts': 语音结束的时间
    'audio': 语音数据
}

时间戳的格式可通过StreamVAD.datetime_format设置