ADD SileroVAD

[kyakuno]

https://github.com/snakers4/silero-vad

[kyakuno]

voice activity detection。webrtc vadよりも高性能らしい。
openai/whisper#29

[kyakuno]

リポジトリにONNXファイルが含まれている。

[kyakuno]

SileroVADの処理フロー

入力された音声をモノラルの16kHzに変換
PCMのレンジは+-1.0

waveを1536サンプルごとのチャンクに分割
onnxのinputにpcm、hとcにステート、srにサンプリングレートを入力
推論結果はspeech_prob, h, c

speech_probはchunkの無音でない確率が入る
hとcはステートとして次のチャンクに供給する

hとcのステートは初期値0、(2, batch, 64)次元

[kyakuno]

get_speech_timestampsでは、threshold = 0.5以上で無音でないと判定している。
250ms以上、有音区間が続いた場合は有音としている。
100ms以上、無音区間が続いた場合は無音としている。