p99 und VAP — Modelle für Sprecherwechsel

p99 schätzt das Ende eines Redebeitrags aus einem Audiokanal. VAP sagt Sprachaktivität aus synchronisierten Nutzer- und Agentenkanälen voraus. Die Anwendung entscheidet anhand dieser Werte, wann sie antwortet oder unterbricht.

Baue das SDK für diese APIs aus dem Quellcode. Swift nutzt SpeechVAD; C++ benötigt SPEECH_CORE_WITH_ONNX=ON. Die Android-API nutzt ONNX Runtime. Die vorhandenen Pipeline-Standardwerte bleiben bestehen.

Modelle

p99 turn-1-mini5.3M · CoreML · Float3216 kHz · 160 ms · 1 chApache-2.0
VAP (otoSpeech)5.8M · CoreML / ONNX · Float3216 kHz · 20 s · 2 chCC BY 4.0 / MIT

Swift API

p99 puffert unvollständige Schritte. Jeder 160-ms-Schritt liefert acht 20-ms-Frames. Für den Entscheidungszeitpunkt gilt availableAfterSeconds. Setze die Sitzung zwischen Gesprächen zurück.

import SpeechVAD

let p99 = try await P99TurnModel.fromPretrained()
let session = try p99.createSession()
let frames = try session.pushAudio(pcm16k)
for frame in frames {
    print(frame.probability, frame.availableAfterSeconds)
}
try session.reset()

let vap = try await VAPModel.fromPretrained()
let forecast = try vap.forecast(userAudio: userPcm, agentAudio: agentPcm)
print(forecast.pNow, forecast.pFuture, forecast.voiceActivity)

VAP nutzt die letzten 20 Sekunden bei 16 kHz. Beide Kanäle müssen gleich lang sein; ein stiller Agent erhält einen Nullkanal. Kürzere Eingaben werden vorne mit Stille ergänzt. Jeder Aufruf berechnet das Fenster neu. Wähle ein zum Gerät passendes Intervall.

C++

#include <speech_core/models/onnx_vap.h>

speech_core::OnnxVap model("models/vap.onnx");
auto forecast = model.forecast(user.data(), agent.data(), user.size(), 16000);
// p_now[0]: user, p_now[1]: agent
// p_future and voice_activity use the same channel order.

Android

val directory = ModelManager.ensureVapModels(context)
withContext(Dispatchers.Default) {
    VoiceActivityProjection(VoiceActivityProjectionConfig(directory)).use { model ->
        val forecast = model.forecast(userPcm, agentPcm)
        println(forecast.userNearTerm)
        println(forecast.agentNearTerm)
    }
}

Downloads

Benchmark-Ergebnisse

TurnBench · Soniqo

Lizenzen