Humaware VAD

🚀 [WIP]HumAware-VAD: ハミングを考慮した音声活性検出

HumAware-VADは、Silero-VAD モデルをファインチューニングしたもので、ハミングと実際の音声を区別するように訓練されています。標準的な音声活性検出（VAD）モデル、Silero-VADを含め、しばしばハミングを音声と誤分類し、不正確な音声セグメンテーションにつながります。HumAware-VADは、カスタムデータセット（HumSpeechBlend）を利用することで、ハミングが存在する場合の音声検出精度を向上させます。

🚀 クイックスタート

🔹 依存関係のインストール

pip install torch torchaudio

🔹 モデルの読み込み

import torch

def load_humaware_vad(model_path="humaware_vad.jit"):
    model = torch.jit.load(model_path)
    model.eval()
    return model

vad_model = load_humaware_vad()

🔹 推論の実行

import torchaudio

waveform, sample_rate = torchaudio.load("data/0000.wav")
out = vad_model(waveform)
print("VAD Output:", out)

✨ 主な機能

• 誤検出の削減：ハミングが誤って音声として検出される誤検出を減らします。
• 音声セグメンテーション精度の向上：実世界のアプリケーションにおける音声セグメンテーション精度を高めます。
• 複雑な環境での性能向上：音楽、背景雑音、ボーカル音を含むタスクでのVAD性能を改善します。

📚 ドキュメント

📌 概要

HumAware-VADは、Silero-VAD モデルをファインチューニングしたもので、ハミングと実際の音声を区別するように訓練されています。標準的な音声活性検出（VAD）モデル、Silero-VADを含め、しばしばハミングを音声と誤分類し、不正確な音声セグメンテーションにつながります。HumAware-VADは、カスタムデータセット（HumSpeechBlend）を利用することで、ハミングが存在する場合の音声検出精度を向上させます。

🎯 目的

HumAware-VADの主な目的は以下の通りです。

• ハミングが誤って音声として検出される誤検出を減らす。
• 実世界のアプリケーションにおける音声セグメンテーション精度を高める。
• 音楽、背景雑音、ボーカル音を含むタスクでのVAD性能を改善する。

🗂️ モデルの詳細

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

📄 引用

このモデルを使用する場合は、以下のように引用してください。

@model{HumAwareVAD2025,
  author = {Sourabh Saini},
  title = {HumAware-VAD: Humming-Aware Voice Activity Detection},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/CuriousMonkey7/HumAware-VAD}
}