Silero VAD v6.2.0 в GGUF
детектор речи для NeMo-Speech.cpp
1 мин чтенияобновлено
Это компактный детектор голосовой активности Silero VAD v6.2.0, сконвертированный в GGUF для NeMo-Speech.cpp v0.3.0. В пайплайне распознавания он маскирует тишину до того, как аудио попадёт в ASR, и помогает определить конец реплики. Конвертация сделана для Goscriber — офлайн-приложения для диктовки с push-to-talk; файл подходит для любого runtime NeMo-Speech.cpp. Это не официальный релиз Silero Team или NVIDIA, а веса взяты из пакета silero-vad 6.2.0 на PyPI.
Ключевые особенности
- Веса Silero VAD 6.2.0 в F32: без квантизации и дообучения.
- Формат GGUF, который загружает NeMo-Speech.cpp v0.3.0 как VAD-компаньон.
- Умеет маскировать тишину перед ASR и сигнализировать о конце высказывания.
- Только модель на 16 kHz; это не формат Silero GGML для whisper.cpp.
Что можно сделать
- Подключить к NeMo-Speech.cpp вместе с Parakeet TDT 0.6B v2 и расшифровывать аудио с отсечением тишины.
- Использовать в офлайн-диктовке на базе Goscriber.
- Встроить в свой ASR-пайплайн через C ABI: задать
model_pathиenable_maskingвnemo_speech_asr_vad_config.
Пример
nemo-speech transcribe audio.wav --model parakeet-tdt-0.6b-v2.q8_0.gguf --vad-model silero-vad-v6.2.0.gguf --vad-masking
Подробнее
Размер файла — 1 240 224 байта (F32).Поддерживается только 16 kHz; формат не совместим с whisper.cpp Silero GGML.
Конвертация выполнена через
convert_model.py из NeMo-Speech.cpp v0.3.0.Лицензия MIT, как у исходного Silero VAD.










Комментарии