AI・機械学習
Show HN: RealtimeVAD – 音声終了検出を110ミリ秒早く、誤検出と引き換えに
Switcher (2004) (folklore.org)
要約
開発者は、ローカルの音声アシスタントのレイテンシレポートを調査した結果、Silero VADが音声オフ信号で目に見える遅延があることに気づきました。これを改善するため、環境ノイズに適応するしきい値を持つ10ミリ秒のエネルギー検出器を考案し、誤検出は増えるものの、音声終了検出を平均110ミリ秒早くすることに成功しました。このプロジェクトは公開されており、フィードバックが求められています。
全文翻訳
皆さん、こんにちは。最近、ローカルの音声アシスタントのレイテンシレポートを見ていたところ、波形とSileroによる音声活動検出の確率が表示されていました。Sileroが音声オフ信号で目に見える遅延があることに気づきました。
この信号を、私が最適だと感じる状態に近づける方法があるはずだと考えました。私のアイデアは、環境ノイズや部屋のノイズに適応するしきい値を持つ10ミリ秒のエネルギー検出器を使用することでした。これは驚くほどうまく機能しました。誤検出は増えましたが、私の投機的な生成パイプラインでは問題ありません。もし誤って検出しても、ユーザーが話し続けていればパイプラインをすぐに中止できます。
アシスタントのログから約3200回のターンでソリューションをベンチマークしたところ、当初は約110ミリ秒速くなりました。静かな音声のために必要だった修正の後でも、現在は100ミリ秒です。
もしよろしければ、ご覧ください。ご自身のデータで測定していただければ、どんなフィードバックでも大変ありがたいです。リポジトリにはベンチマークスクリプトがあります。
読んでくれてありがとう、皆さん、良い一日を。