音声活動検出
ストリーミングサウンドウェーブと、キャプチャ可能サウンドウェーブなどの派生型は、音声活動検出(VAD)をサポートしています。VADは、音声が検出された場合にのみ内部バッファを埋めるために、入力されるオーディオデータをフィルタリングします。
このプラグインは2つのVAD実装を提供します:
- デフォルトVAD
- Silero VAD
デフォルトの実装はlibfvadを使用します。これは軽量な音声活動検出ライブラリであり、Runtime Audio Importerがサポートするすべてのプラットフォームとエンジンバージョンで効率的に動作します。
拡張プラグインとして利用可能なSilero VADは、ニューラルネットワークベースの音声活動検出器であり、特にノイズの多い環境でより高い精度を提供します。機械学習を使用して、音声と背景ノイズをより確実に区別します。
基本的な使用方法
サウンドウェーブを作成した後にVADを有効にするには、ToggleVAD
関数を使用します:
- Blueprint
- C++
// Assuming StreamingSoundWave is a UE reference to a UStreamingSoundWave object (or its derived type, such as UCapturableSoundWave)
StreamingSoundWave->ToggleVAD(true);
VAD を有効にした後、いつでもリセットできます:
- Blueprint
- C++
// Reset the VAD
StreamingSoundWave->ResetVAD();
デフォルトの VAD 設定
デフォルトの VAD プロバイダーを使 用する場合、VAD モードを変更することでその積極性を調整できます:
- Blueprint
- C++
// Set the VAD mode (only works with the default VAD provider)
StreamingSoundWave->SetVADMode(ERuntimeVADMode::VeryAggressive);
mode パラメータは、VAD がオーディオをフィルタリングする積極性を制御し ます。値が高いほど制限的になり、誤検出を報告する可能性が低くなりますが、一部の音声を見逃す可能性があります。
VAD プロバイダー
ToggleVAD
関数で VAD を有効にした後、ニーズに合わせてさまざまな Voice Activity Detection プロバイダーから選択できます。デフォルトのプロバイダーは組み込みですが、Silero VAD などの追加プロバイダーは拡張プラグインを通じて利用可能です。
- 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 拡張機能
Silero VAD はニューラルネットワークを使用してより正確な音声検出を提供します。使用方法:
-
Runtime Audio Importer プラグインがプロ ジェクトに既にインストールされていることを確認してください
-
UE 5.5 以前の場合: Silero VAD 拡張プラグインをダウンロードする前に、プロジェクトで NNERuntimeORT が無効になっていることを確認してください。NNERuntimeORT が有効になっていると、競合によりこれらのエンジンバージョンで Silero VAD を使用する際にクラッシュが発生する可能性があります
-
Google Drive から Silero VAD 拡張プラグインをダウンロードしてください
-
ダウンロードしたアーカイブからフォルダを抽出し、プロジェクトの
Plugins
フォルダに配置してください(このフォルダが存在しない場合は作成してください) -
UE 5.6 以降の場合:
RuntimeAudioImporterSileroVAD.uplugin
ファイルを編集して NNERuntimeORT の依存関係を追加します。"Plugins" フィールドで、RuntimeAudioImporter の記述の後に以下を追加します:
,
{
"Name": "NNERuntimeORT",
"Enabled": true
}
- プロジェクトをリビルドしてください(この拡張機能はC++プロジェクトが必要です)
-
デフォルトのVADは、Runtime Audio Importerがサポートするすべてのエンジンバージョン(UE 4.24、4.25、4.26、4.27、5.0、5.1、5.2、5.3、5.4、5.5、および5.6)で動作します
-
Silero VADはUnreal Engine 4.27およびすべてのUE5バージョン(4.27、5.0、5.1、5.2、5.3、5.4、5.5、および5.6)をサポートします
-
UE 5.5以前: プラグインの競合によるクラッシュを防ぐため、Silero VADを使用する前にNNERuntimeORTを無効にする必要があります
-
UE 5.6+ 要件: Unreal Engine 5.6以降、Silero VAD拡張機能はNNERuntimeORTプラグインの依存関係を
.uplugin
ファイルに手動で追加する必要があります -
Silero VADはWindows、Linux、Mac、Android(Meta Questを含む)、およびiOSで利用可能です
-
この拡張機能はソースコードとして提供され、使用するにはC++プロジェクトが必要です
-
プラグインを手動でビルドする方法の詳細については、Building Plugins tutorialを参照してください
インストール後、Sileroクラスプロバイダーを使用してSetVADProvider
関数でVADプロバイダーとして選択できます。
音声開始と終了の検出
Voice Activity Detection(VAD)は音声の存在を検出するだけでなく、音声活動の開始と終了の検出も可能にします。これは、再生やキャプチャ中に音声が開始または終了したときにイベントをトリガーするのに役立ちます。
最小音声継続時間や無音時間などのパラメータを調整することで、音声開始と終了の検出の感度をカスタマイズできます。これらのパラメータは、短いノイズや音声間の短すぎるポーズなどの誤検出を避けるために検出を微調整するのに役立ちます。
最小音声継続時間
最小音声継続時間パラメータは、音声開始イベントをトリガーするために必要な連続した音声活動の最小量を設定します。これにより、音声と見なされるべきでない短いノイズをフィルタリングし、持続的な音声活動のみが認識されるようにします。最小音声継続時間のデフォルト値は300ミリ秒です。
- 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);
無音期間 (Silence Duration)
無音期間 (Silence Duration) パラメータは、発話終了イベントをトリガーするために必要な無音の長さを設定します。これにより、単語や文の間の自然なポーズ中に音声検出が早期に終了するのを防ぎます。無音期間 (Silence Duration) のデフォルト値は 500 ミリ秒です。
- 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);
音声デリゲートへのバインド
音声の開始時または終了時に特定のデリゲー トにバインドできます。これは、音声アクティビティに基づいてカスタムの動作(テキスト認識の開始や停止、他のオーディオソースの音量調整など)をトリガーするのに役立ちます。
- 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
});
VADプロバイダーの比較
- Default VAD
- Silero VAD
Default VAD (libfvad)
利点:
- 軽量で効率的
- すべてのプラットフォームで動作
- リソース使用量が最小限
- モバイルおよび低電力デバイスに適している
最適な用途:
- 静かな環境でのシンプルな音声検出
- モバイルアプリケーション
- パフォーマンスが優先されるプロジェクト
- ユニバーサルなプラットフォームサポートが必要な場合
Silero VAD
利点:
- 音声検出の精度が高い
- 困難な環境下での優れたノイズ耐性
- 異なる話者間でのより一貫した結果
- 精密な制御のための高度な設定オプション
最適な用途:
- 精密な音声 検出を必要とするアプリケーション
- バックグラウンドノイズのある環境
- 音声認識システム
- プロフェッショナルなオーディオアプリケーション
Silero VADは、Default VADよりも多くの計算リソースを必要とする場合があります。