VAD 模型
FSMN-VAD 系列
说明
- 模型背景：由阿里巴巴达摩院研发的工业级语音活性检测模型，基于 FSMN-Monophone 架构设计，为16k中文通用VAD模型，原生适配 FunASR 框架与 Paraformer-large 长音频场景。
- 功能特性：依托FSMN结构充分利用上下文信息，推理速度快、时延可控；采用Monophone细分建模单元，提升特征区分能力，降低识别错误。支持音频文件、URL、二进制流、音频数组、wav.scp列表等多种输入，可自定义尾部静音时长、语音噪声阈值等参数；全平台兼容 Linux-x86_64、macOS、Windows，可与ASR、标点模块自由组合使用。
- 开源仓库：https://github.com/modelscope/FunASR
模型列表
Silero-VAD 系列
说明
- 模型背景：由开源社区 snakers4 推出的深度学习语音活性检测模型，主流开源VAD方案，适配16kHz音频输入。
- 功能特性：对语音执行预加重、分帧、加窗等预处理后，通过神经网络学习语音特征，精准区分语音与非语音片段；可根据噪声环境自适应调整检测阈值，在嘈杂场景下表现优异，迭代版本持续优化抗噪能力。
- 开源仓库：https://github.com/snakers4/silero-vad