VAD

收录理由

语音活动检测，也就是从音频流里分辨出人声从哪里开始、在哪里结束，这个小环节往往能决定一个语音系统的成败。这个来自KAIST的仓库一口气提供了四种VAD分类器：普通DNN、增强型DNN、LSTM循环网络，以及自适应上下文注意力模型，它们统一使用多分辨率耳蜗图特征，而不是常见的频谱图。同时它还附带了一份人工标注的数据集，是在四种嘈杂环境下用手机录的，既能拿来跑基准测试，也能让你看看真实训练数据长什么样。需要坦白的是，特征提取得靠MATLAB而且速度偏慢，训练代码也停留在TensorFlow 1.x，所以更适合当作理解完整流程的参考，而不是直接塞进生产环境。想一步步看模型怎么端到端训练的学生，或者在做分段器原型、之后打算换用维护更活跃的库的团队，会从这里面收获最多。