描述 #

语音端点检测模块 - 基于 FSMN VAD 的高效音频分割解决方案

核心功能 #

• 语音端点检测：自动识别音频中的语音片段起止时间，实现语音与静音的精准分割
• 批量处理：支持大批量音频数据的高效端点检测
• 多格式输入：兼容原始二进制、Base64 编码、TOS/HTTP 链接等多种音频输入方式
• GPU 加速：支持 GPU 环境下的高性能推理

推荐实践 #

• 建议输入 16k 采样率、单声道的 WAV 格式音频，提升检测准确率
• 长音频建议分段处理，单次处理时长建议不超过 1 小时
• 适用于语音活动检测、语音切分等场景

支持模型 #

• iic/speech_fsmn_vad_zh-cn-16k-common-pytorch（中文通用 FSMN VAD）

输出说明 #

• 每条音频输出二维浮点数列表，表示所有语音片段的起止时间戳（单位：秒），如：[[0.0, 4.34], [5.50, 7.12]]
• 处理失败时返回 None

算子参数 #

输入 #

输出 #

包含语音端点时间戳的列，每个元素为二维浮点数列表，表示音频中各语音片段的起止时间戳（单位：秒），
例如：[[0.0, 4.34], [5.50, 7.12]]。若处理失败则为 None。

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 daft 运行算子识别语音中的人声端点。

from __future__ import annotations

import logging
import os

import ray

import daft
from daft import col
from daft.las.functions.audio.audio_vad_fsmn import AudioVadFsmn
from daft.las.functions.udf import las_udf

if __name__ == "__main__":

    if os.getenv("DAFT_RUNNER", "ray") == "ray":

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        import ray

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()

    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {
        "audio_path": [
            f"https://{tos_dir_url}/public/shared_audio_dataset/参观八达岭长城。.wav"
        ]
    }

    model_path = os.getenv("MODEL_PATH", "/opt/las/models")
    model_name = "iic/speech_fsmn_vad_zh-cn-16k-common-pytorch"
    audio_src_type = "audio_url"
    batch_size_s = 3600
    model_revision = "v2.0.4"
    rank = 0

    df = daft.from_pydict(samples)
    df = df.with_column(
        "audio_vad_result",
        las_udf(
            AudioVadFsmn,
            construct_args={
                "audio_src_type": audio_src_type,
                "model_path": model_path,
                "model_name": model_name,
                "model_revision": model_revision,
                "batch_size_s": batch_size_s,
                "rank": rank,
            },
            num_gpus=1,
            batch_size=1,
            concurrency=1,
        )(col("audio_path")),
    )
    df.show()

    # ╭────────────────────────────────┬─────────────────────╮
    # │ audio_path                     ┆ audio_vad_result    │
    # │ ---                            ┆ ---                 │
    # │ Utf8                           ┆ List[List[Float32]] │
    # ╞════════════════════════════════╪═════════════════════╡
    # │ tos://las-cn-beijing-public-o… ┆ [[0.51, 2.8]]       │
    # ╰────────────────────────────────┴─────────────────────╯