p99 と VAP — 話者交替モデル

p99 は単一の音声チャネルから発話終了確率を推定します。VAP は同期したユーザーとエージェントの音声から発話活動を予測します。応答や割り込みのタイミングはアプリケーションが決定します。

これらの API は SDK をソースからビルドして使用します。Swift は SpeechVAD、C++ は SPEECH_CORE_WITH_ONNX=ON が必要です。Android API は ONNX Runtime を使用します。既存パイプラインの既定値は変わりません。

モデル

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 はステップに満たない音声を保持します。160 ms ごとに 20 ms のフレームを八つ返します。判定時刻には availableAfterSeconds を使い、会話ごとにセッションをリセットしてください。

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 は直近 20 秒の 16 kHz 音声を使用します。両チャネルの長さを揃え、エージェントが無音ならゼロを渡します。短い入力の先頭には無音を補います。予測のたびに窓全体を再計算するため、端末に合った呼び出し間隔を選んでください。

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)
    }
}

ダウンロード

ベンチマーク結果

TurnBench · Soniqo

ライセンス