xujiashuai/timm-fsmn-vad
模型介绍文件和版本Pull Requests讨论分析
下载使用量0

fsmn-vad on Ascend NPU

1. 简介

  • 模型来源: iic/speech_fsmn_vad_zh-cn-16k-common-pytorch
  • 架构: FSMN (Feedforward Sequential Memory Network) VAD
  • 参数量: 428,738
  • 适配状态: SUCCESS
  • 适配时间: 2026-05-18

2. 验证环境

组件版本
torch2.9.0
torch-npu2.9.0.post1
CANN8.5.1
NPUAscend 910B4

3. 推理脚本

python inference.py --device npu:0 --dtype float32

4. 推理输出证据

模型: iic/speech_fsmn_vad_zh-cn-16k-common-pytorch
设备: npu:0
精度: float32
------------------------------------------------------------
模型参数量: 428,738

--- CPU 推理 ---
输出形状: [1, 50, 248]
总输出维度: 12400
是否有 NaN: False
输出示例 (前10维): [-36.8539, -95.2617, 50.8510, 48.4600, 36.7740, 13.7410, 26.1150, 29.8964, 7.4102, 10.9069]

--- NPU 推理 (npu:0) ---
输出形状: [1, 50, 248]
总输出维度: 12400
是否有 NaN: False
输出示例 (前10维): [-36.8539, -95.2617, 50.8510, 48.4600, 36.7740, 13.7410, 26.1150, 29.8964, 7.4103, 10.9069]

--- 精度对比 ---
Cosine Similarity: 1.000000
Max Abs Error: 0.028717

--- 性能基准 ---
平均延迟: 0.86 ms (10轮)

5. CPU vs NPU 精度对比

指标数值
Cosine Similarity1.000000
Max Abs Error0.028717
精度误差< 0.01%
是否满足要求是(< 1%)

6. 性能参考

指标数值
平均延迟0.86 ms
测试轮数10

7. 模型架构

  • 输入: 400维语音特征 (80 mels x 5 LFR)
  • 编码器: 4层 FSMN 块 (128维隐藏状态, 20帧记忆窗口)
  • 输出: 248维语音/静音概率
  • 前端: WavFrontendOnline (16kHz, Hamming窗, 25ms帧长, 10ms帧移)

8. 评测材料

材料文件说明
推理脚本inference.py独立可运行的 NPU 推理代码

贡献者: xujiashuai | 赛道: 模型适配赛道 提交时间: 2026-05-18