Awtomatikong salin · Orihinal sa Ingles
LocalVQE v1.4-AEC
Ang unang-partidong Soniqo page na ito ay dokumento ng LocalVQE v1.4-AEC mula sa lokal na speech-swift na pagpapatupad. Hugging Face mga bungkos ay inuugnay sa ibaba pagkatapos ng mga integration notes.
Panloob na Pahina Muna
Una na ngayong binabanggit dito ng mga landing card at docs menus ang tungkol dito; ang mga kawing ng source model at bround ay nananatiling makukuha mula sa pahinang ito.
Sa Isang Kaningningan
| Huwaran | LocalVQE v1.4-AEC |
|---|---|
| Ang Papel | Ang eksplicit-reference akustikong echunsion ay nagpapawalang bisa |
| Likod | Katutubong C++ na pag-aangkop na filter plus na may kondisyong Core ML Restaurant mask |
| Ilabas | 16 kHz mono Float32 malinis-microphone PCM |
| Wika | Wika-independent akustikong pagpoproseso |
| Lisensiya | Apache-2.0 code at mga pabigat |
| Kalagayan | Pag - aayos at kumpletong-clip speech-swift runtime |
| Pinagmumulan | LocalVQE |
| Swift produkto | SpeechEnhancement |
| CLI / Oras ng pagtakbo | Ang Programmatic LocalVQEEchoCanceller runtime |
Gamitin
Ang snippet sa ibaba ng salamin ang kasalukuyang speech-swift API o utos na inilantad ng repo.
import SpeechEnhancement
let aec = try await LocalVQEEchoCanceller.fromPretrained()
let cleanMicrophone = try aec.processFrame(
microphone: microphoneFrame,
reference: playbackReferenceFrame
)Mga Kaugnayan sa Modelo
Mga Nota ng Pag - iisa
- Ang microphone at reference sa playback ay magkahiwalay, sabay-sabay na input; ang isang mixed system-audio transcript ay hindi isang tanggap na reperensiya.
- Tinatanggap ng Streaming ang eksaktong 256 mono sampol sa bawat input sa 16 kHz at nagdaragdag ng isang 16 ms spectral hop ng algorithmic latency.
- Ang bawat balangkas ay nag - aalis ng pansamantalang tubig Core ML Mga lining bago bumalik, kaya ang matagal na pag-ikot ng mga sinulid na pang-huli ay hindi nakakaspas macOS'Ang limitasyon ng IOSurface.
- Ang muling paglalagay pagkatapos ng mga baligtad na balangkas, mga pagbabago sa aparato, pagbihag ng mga reart, o pagtatala ng mga hangganan na gayon na lamang kalumang pansala at neural state ay hindi maaaring tumawid sa mga distansya.
- Ang isang tahimik na reperensiya ay nag-iingat ng mikropono-lamang na pagsasalita; ang runtime ay hindi kailanman bumabalik sa pagbabawas ng isang mix o pag-uusbong ng mikropono.
- Huwag bulagin ang pagtahak sa landas na ito sa pamamagitan ng Apple Voice Processing I/O dahil sa ang dalawang nag-aangkop na mga cancellers ay maaaring pumilipit sa malapit-pailalim na pagsasalita.