mirror of
https://github.com/snakers4/silero-vad.git
synced 2026-02-05 01:49:22 +08:00
51 lines
5.3 KiB
Markdown
51 lines
5.3 KiB
Markdown
# Тюнинг Silero-VAD модели
|
||
|
||
> Код тюнинга создан при поддержке Фонда содействия инновациям в рамках федерального проекта «Искусственный
|
||
интеллект» национальной программы «Цифровая экономика Российской Федерации».
|
||
|
||
Тюнинг используется для улучшения качества детекции речи Silero-VAD модели на кастомных данных.
|
||
|
||
## Подготовка данных
|
||
|
||
Датафреймы для тюнинга должны быть подготовлены и сохранены в формате `.feather`. Следующие колонки в `.feather` файлах тренировки и валидации являются обязательными:
|
||
- **audio_path** - абсолютный путь до аудиофайла в дисковой системе. Аудиофайлы должны представлять собой `PCM` данные, предпочтительно в форматах `.wav` или `.opus` (иные популярные форматы аудио тоже поддерживаются). Для ускорения темпа дообучения рекомендуется предварительно выполнить ресемплинг аудиофайлов (изменить частоту дискретизации) до 16000 Гц;
|
||
- **speech_ts** - разметка для соответствующего аудиофайла. Список, состоящий из словарей формата `{'start': START_SEC, 'end': 'END_SEC'}`, где `START_SEC` и `END_SEC` - время начало и конца речевого отрезка в секундах соответственно.
|
||
|
||
Пример `.feather` датафрейма можно посмотреть в файле `example_dataframe.feather`
|
||
|
||
## Файл конфигурации `config.yml`
|
||
|
||
Файл конфигурации `config.yml` содержит пути до обучающей и валидационной выборки, а также параметры дообучения:
|
||
- `train_dataset_path` - абсолютный путь до тренирового датафрема в формате `.feather`, Должен содержать колонки `audio_path` и `speech_ts`, описанные в пункте "Подготовка данных". Пример устройства датафрема можно посмотреть в `example_dataframe.feather`;
|
||
- `val_dataset_path` - абсолютный путь до валидационного датафрема в формате `.feather`, Должен содержать колонки `audio_path` и `speech_ts`, описанные в пункте "Подготовка данных". Пример устройства датафрема можно посмотреть в `example_dataframe.feather`;
|
||
- `use_torchhub` - Если `True`, то модель для дообучения будет загружена с помощью torch.hub. Если `False`, то модель для дообучения будет загружена с помощью библиотеки silero-vad (необходимо заранее установить командой `pip install silero-vad`);
|
||
- `tune_8k` - данный параметр отвечает, какую голову Silero-VAD дообучать. Если `True`, дообучаться будет голова с 8000 Гц частотой дискретизации, иначе с 16000 Гц;
|
||
- `model_save_path` - путь сохранения добученной модели;
|
||
- `noise_loss` - коэффициент лосса, применяемый для неречевых окон аудио;
|
||
- `max_train_length_sec` - максимальная длина аудио в секундах на этапе дообучения. Более длительные аудио будут обрезаны до этого показателя;
|
||
- `aug_prob` - вероятность применения аугментаций к аудиофайлу на этапе дообучения;
|
||
- `learning_rate` - темп дообучения;
|
||
- `batch_size` - размер батча при дообучении и валидации;
|
||
- `num_workers` - количество потоков, используемых для загрузки данных;
|
||
- `num_epochs` - количество эпох дообучения. За одну эпоху прогоняются все тренировочные данные;
|
||
- `device` - `cpu` или `cuda`.
|
||
|
||
## Дообучение
|
||
|
||
Дообучение запускается командой `python tune.py`
|
||
|
||
Длится в течение `num_epochs`, лучший чекпоинт по показателю ROC-AUC на валидационной выборке будет сохранен в `model_save_path` в формате jit.
|
||
|
||
## Цитирование
|
||
|
||
```
|
||
@misc{Silero VAD Dataset,
|
||
author = {Silero Team},
|
||
title = {Silero-VAD Dataset: a large public Internet-scale dataset for voice activity detection for 6000+ languages},
|
||
year = {2024},
|
||
publisher = {GitHub},
|
||
journal = {GitHub repository},
|
||
howpublished = {\url{https://github.com/snakers4/silero-vad/datasets/README.md}},
|
||
email = {hello@silero.ai}
|
||
}
|
||
``` |