语音活动检测（Voice Activity Detection）项目教程

语音活动检测（Voice Activity Detection）项目教程

voice_activity_detection项目地址:https://gitcode.com/gh_mirrors/voic/voice_activity_detection

1. 项目目录结构及介绍

项目的目录结构如下：

.
├── README.md    # 项目简介
├── data         # 存放数据集和其他输入文件
│   └── sample.wav  # 示例音频文件
├── models       # 模型定义文件夹
│   ├── model.py  # 语音活动检测模型
├── scripts      # 脚本文件夹
│   ├── train.py  # 训练脚本
│   └── detect.py  # 实时检测脚本
└── config.yaml   # 配置文件

• data 目录用于存储音频样本和训练/测试所需的数据。
• models 包含了实现语音活动检测的核心模型代码。
• scripts 提供了训练模型 (train.py) 和进行实时语音活动检测 (detect.py) 的脚本。
• config.yaml 是项目的配置文件，包含了运行所需的各种参数设置。

2. 项目的启动文件介绍

2.1 train.py

train.py是训练模型的入口。它从config.yaml读取训练参数，加载数据集，初始化模型并执行训练循环。在运行此文件前，确保已准备好训练数据并正确设置了配置文件中的相关路径。

python scripts/train.py

2.2 detect.py

detect.py文件用于实时语音活动检测。它利用已经训练好的模型监听麦克风输入，判断何时存在语音活动。执行以下命令即可开始实时检测：

python scripts/detect.py

在运行之前，需要确保模型已经被正确地训练，并且config.yaml中配置了模型路径。

3. 项目的配置文件介绍

config.yaml是项目的配置中心，包含以下主要部分：

model:
  type: <模型类型>  # 如CNN或RNN等
  path: <预训练模型路径>

data:
  train_folder: <训练数据目录>
  test_folder: <测试数据目录>
  sample_rate: <采样率>
  window_size: <窗口大小>
  hop_size: <窗口滑动步长>

processing:
  preprocessor: <预处理器类名>
  normalize: <是否进行归一化>

inference:
  device: <设备类型，如cpu或cuda>
  threshold: <语音活动阈值>

streaming:
  input_device_id: <输入设备ID>
  output_file: <保存结果的文件路径>

• model: 定义模型类型和预训练模型的路径。
• data: 与数据处理相关的参数，包括数据集路径、采样率以及分析窗口参数。
• processing: 预处理选项，例如预处理器类型以及是否对信号进行归一化。
• inference: 用于推理的设置，包括设备选择和语音活动的检测阈值。
• streaming: 实时流处理参数，如输入设备ID（用于监听麦克风）和结果输出文件路径。

要修改这些配置，只需直接编辑config.yaml文件，根据需求调整各个参数。

voice_activity_detection项目地址:https://gitcode.com/gh_mirrors/voic/voice_activity_detection