---
license: mit
tags:
  - audio
  - voice-activity-detection
  - axera
  - axmodel
---
# SileroVAD

流式语音端点识别

## 相关链接

- 源码仓库（Python SDK / C++ SDK / 模型转换脚本）：[github.com/ml-inory/silero-vad.axera](https://github.com/ml-inory/silero-vad.axera)
- PyPI：[pypi.org/project/silero-vad-axera](https://pypi.org/project/silero-vad-axera/)

## 预编译产物

本仓库只放预编译产物，不放 C++ 源码（C++ SDK 源码请到上面的 GitHub 源码仓库 `cpp/`）。

| 产物 | 芯片 | NPU | 板子型号 |
|------|------|-----|----------|
| [silero_vad_ax650.axmodel](models/silero_vad_ax650.axmodel) | AX650 | NPU3 | AX650N |
| [silero_vad_ax630c.axmodel](models/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。

| 产物 | 说明 |
|------|------|
| [silero_vad_example.aarch64](bin/silero_vad_example.aarch64) | 预编译 C++ 示例（AX650 / AX620E 通用，动态链接板端 AX runtime） |

C++ 示例用法（源码在 [ml-inory/silero-vad.axera `cpp/`](https://github.com/ml-inory/silero-vad.axera/tree/main/cpp)）：

```bash
export LD_LIBRARY_PATH=/soc/lib
./silero_vad_example.aarch64 models/silero_vad_ax650.axmodel audio_16k_s16le.raw   # AX650
./silero_vad_example.aarch64 models/silero_vad_ax630c.axmodel audio_16k_s16le.raw  # AX620E/AX630C
```

输入为 16kHz 单声道 s16le raw PCM；加 `--probs` 可打印逐帧语音概率。

## 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
```

![gradio界面](/gradio.png)



## 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