Sprachaktivitätserkennung

Streaming Sound Wave sowie davon abgeleitete Typen wie Capturable Sound Wave unterstützen die Sprachaktivitätserkennung (Voice Activity Detection, VAD). VAD filtert eingehende Audiodaten und füllt den internen Puffer nur dann auf, wenn Sprache erkannt wird.

Das Plugin bietet zwei VAD-Implementierungen:

Default VAD

Die Standardimplementierung verwendet libfvad, eine leichtgewichtige Bibliothek zur Sprachaktivitätserkennung, die effizient auf allen Plattformen und Engine-Versionen funktioniert, die von Runtime Audio Importer unterstützt werden.

Silero VAD

Verfügbar als Erweiterungs-Plugin, Silero VAD ist ein auf neuronalen Netzen basierender Sprachaktivitätsdetektor, der eine höhere Genauigkeit bietet, insbesondere in lauten Umgebungen. Er verwendet maschinelles Lernen, um Sprache zuverlässiger von Hintergrundgeräuschen zu unterscheiden.

Grundlegende Verwendung

Um VAD nach dem Erstellen einer Sound Wave zu aktivieren, verwenden Sie die Funktion ToggleVAD:

Blueprint

C++

// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)
StreamingSoundWave->ToggleVAD(true);

Nach dem Aktivieren der VAD können Sie sie jederzeit zurücksetzen:

Blueprint

C++

// Reset the VAD
StreamingSoundWave->ResetVAD();

Standard-VAD-Einstellungen

Bei Verwendung des standardmäßigen VAD-Providers können Sie dessen Aggressivität durch Ändern des VAD-Modus anpassen:

Blueprint

C++

// Set the VAD mode (only works with the default VAD provider)
StreamingSoundWave->SetVADMode(ERuntimeVADMode::VeryAggressive);

Der Modus-Parameter steuert, wie aggressiv der VAD Audio filtert. Höhere Werte sind restriktiver, was bedeutet, dass sie weniger wahrscheinlich falsch-positive Meldungen liefern, aber möglicherweise einige Sprachanteile verpassen.

VAD-Provider

Nachdem Sie die VAD mit der Funktion ToggleVAD aktiviert haben, können Sie zwischen verschiedenen Voice Activity Detection-Providern wählen, die Ihren Anforderungen entsprechen. Der Standard-Provider ist integriert, während zusätzliche Provider wie Silero VAD über Erweiterungs-Plugins verfügbar sind.

Blueprint

C++

// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)
// Make sure to call ToggleVAD(true) before setting the provider

// Set the VAD provider to Silero VAD
StreamingSoundWave->SetVADProvider(URuntimeSileroVADProvider::StaticClass());

Silero VAD-Erweiterung

Silero VAD bietet eine genauere Spracherkennung mittels neuronaler Netze. So verwenden Sie es:

1. Stellen Sie sicher, dass das Runtime Audio Importer-Plugin bereits in Ihrem Projekt installiert ist

2. Laden Sie die Silero VAD-Erweiterung von Google Drive herunter

3. Extrahieren Sie den Ordner aus dem heruntergeladenen Archiv in den Plugins-Ordner Ihres Projekts (erstellen Sie diesen Ordner, falls er nicht existiert)

4. Für UE 5.6 und später: Bearbeiten Sie die Datei RuntimeAudioImporterSileroVAD.uplugin, um die NNERuntimeORT-Abhängigkeit hinzuzufügen. Fügen Sie im Feld "Plugins" nach dem RuntimeAudioImporter-Eintrag hinzu:

   ,
   {
       "Name": "NNERuntimeORT",
       "Enabled": true
   }

5. Erstellen Sie Ihr Projekt neu (diese Erweiterung erfordert ein C++-Projekt)

important

• Die Standard-VAD funktioniert mit allen von Runtime Audio Importer unterstützten Engine-Versionen (UE 4.24, 4.25, 4.26, 4.27, 5.0, 5.1, 5.2, 5.3, 5.4, 5.5 und 5.6)

• Silero VAD unterstützt Unreal Engine 4.27 und alle UE5-Versionen (4.27, 5.0, 5.1, 5.2, 5.3, 5.4, 5.5 und 5.6)

• UE 5.6+ Anforderung: Ab Unreal Engine 5.6 muss die NNERuntimeORT-Plugin-Abhängigkeit für die Silero VAD-Erweiterung manuell zur .uplugin-Datei hinzugefügt werden

• Silero VAD ist verfügbar für Windows, Linux, Mac, Android (einschließlich Meta Quest) und iOS

• Diese Erweiterung wird als Quellcode bereitgestellt und erfordert ein C++-Projekt zur Nutzung

• Weitere Informationen zum manuellen Erstellen von Plugins finden Sie im Tutorial zum Erstellen von Plugins

Nach der Installation können Sie es über die Funktion SetVADProvider mit dem Silero-Klassen-Provider als Ihren VAD-Provider auswählen.

Spracherkennungsstart und -ende

Voice Activity Detection erkennt nicht nur das Vorhandensein von Sprache, sondern ermöglicht auch die Erkennung des Beginns und des Endes der Sprachaktivität. Dies ist nützlich, um Ereignisse auszulösen, wenn die Sprache während der Wiedergabe oder Aufnahme beginnt oder endet.

Sie können die Empfindlichkeit der Spracherkennung für Start und Ende anpassen, indem Sie Parameter wie die minimale Sprachdauer und die Stille-Dauer einstellen. Diese Parameter helfen dabei, die Erkennung zu optimieren, um Fehlalarme zu vermeiden, wie das Aufnehmen kurzer Geräusche oder zu kurzer Pausen zwischen der Sprache.

Minimale Sprachdauer

Der Parameter Minimale Sprachdauer legt die Mindestmenge an kontinuierlicher Sprachaktivität fest, die erforderlich ist, um ein Spracherkennungsstart-Ereignis auszulösen. Dies hilft, kurze Geräusche herauszufiltern, die nicht als Sprache betrachtet werden sollten, um sicherzustellen, dass nur anhaltende Sprachaktivität erkannt wird. Der Standardwert für die Minimale Sprachdauer beträgt 300 Millisekunden.

Blueprint

C++

// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)

// Set the minimum speech duration
StreamingSoundWave->SetMinimumSpeechDuration(200);

Silence Duration

Der Parameter Silence Duration legt die Dauer der Stille fest, die erforderlich ist, um ein Sprach-Ende-Ereignis auszulösen. Dies verhindert, dass die Spracherkennung während natürlicher Pausen zwischen Wörtern oder Sätzen vorzeitig endet. Der Standardwert für Silence Duration beträgt 500 Millisekunden.

Blueprint

C++

// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)

// Set the silence duration
StreamingSoundWave->SetSilenceDuration(700);

Bindung an Sprach-Delegates

Sie können an spezifische Delegates binden, wenn die Sprache beginnt oder endet. Dies ist nützlich, um benutzerdefiniertes Verhalten basierend auf Sprachaktivität auszulösen, wie z.B. das Starten oder Stoppen der Texterkennung oder das Anpassen der Lautstärke anderer Audioquellen.

Blueprint

C++

// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)

// Bind to the OnSpeechStartedNative delegate
StreamingSoundWave->OnSpeechStartedNative.AddWeakLambda(this, [this]()
{
  // Handle the result when speech starts
});

// Bind to the OnSpeechEndedNative delegate
StreamingSoundWave->OnSpeechEndedNative.AddWeakLambda(this, [this]()
{
  // Handle the result when speech ends
});

Vergleich von VAD-Anbietern

Default VAD

Default VAD (libfvad)

Vorteile:

• Leichtgewichtig und effizient
• Funktioniert auf allen Plattformen
• Minimaler Ressourcenverbrauch
• Geeignet für mobile und leistungsschwache Geräte

Am besten geeignet für:

• Einfache Spracherkennung in ruhigen Umgebungen
• Mobile Anwendungen
• Projekte, bei denen Leistung Priorität hat
• Wenn universelle Plattformunterstützung erforderlich ist

Silero VAD

Silero VAD

Vorteile:

• Höhere Genauigkeit bei der Spracherkennung
• Überlegene Rauschunterdrückung in anspruchsvollen Umgebungen
• Konsistentere Ergebnisse bei verschiedenen Sprechern
• Erweiterte Konfigurationsoptionen für präzise Steuerung

Am besten geeignet für:

• Anwendungen, die eine präzise Spracherkennung erfordern
• Umgebungen mit Hintergrundgeräuschen
• Spracherkennungssysteme
• Professionelle Audioanwendungen

hinweis

Silero VAD kann mehr Rechenressourcen benötigen als das Default VAD.