FSMN-VAD数据导出：将语音片段信息保存为CSV文件
1. 引言
1.1 场景背景与需求分析
在语音识别、音频内容分析和智能语音交互系统中，语音端点检测（Voice Activity Detection, VAD）是至关重要的预处理步骤。它用于从连续的音频流中准确识别出有效语音段，剔除静音或无意义的背景噪声部分，从而提升后续处理模块的效率与准确性。
基于 ModelScope 平台提供的达摩院 FSMN-VAD 模型，开发者可以快速构建一个离线语音检测服务。该工具不仅支持本地音频文件上传，还允许通过麦克风进行实时录音测试，并以结构化表格形式输出每个语音片段的开始时间、结束时间和持续时长。然而，在实际工程应用中，仅在前端展示 Markdown 表格并不足以满足进一步的数据分析、自动化切片或批量处理的需求。
因此，将检测结果导出为标准数据格式（如 CSV）成为关键扩展功能。CSV 文件具有良好的通用性，可被 Excel、Pandas、数据库系统等广泛读取和处理，适用于语音数据清洗、标注、训练集准备等多种下游任务。
1.2 本文目标
本文将在原有 FSMN-VAD Web 控制台的基础上，实现语音片段信息自动导出为 CSV 文件的功能，并提供完整的代码修改方案、使用说明及最佳实践建议。最终用户不仅可以查看检测结果，还能一键下载结构化的语音片段元数据，极大增强系统的实用性与集成能力。
2. 功能扩展设计
2.1 原有系统架构回顾
当前 FSMN-VAD 系统基于 Gradio 构建，核心流程如下：
- 用户上传音频或录音；
- 调用
speech_fsmn_vad_zh-cn-16k-common-pytorch模型进行端点检测； - 解析模型返回的时间戳列表（单位：毫秒）；
- 格式化为 Markdown 表格在页面上渲染显示。
其输出为纯文本形式的表格，缺乏可编程访问接口和持久化能力。
2.2 扩展功能设计目标
为了实现数据导出功能，需对原系统做以下增强：
- 结构化数据生成：将语音片段信息组织为 Python 列表或字典结构；
- CSV 文件生成：利用标准库
csv或pandas将数据写入临时 CSV 文件； - Gradio 下载组件集成：添加“下载结果”按钮，触发文件传输；
- 用户体验优化：确保导出文件命名规范（如包含时间戳），避免冲突。
3. 实现步骤详解
3.1 修改服务脚本：支持 CSV 导出逻辑
我们将在原有web_app.py的基础上，新增 CSV 导出功能。以下是完整更新后的代码（含注释说明）：
import os import csv import gradio as gr from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks from datetime import datetime # 设置模型缓存路径 os.environ['MODELSCOPE_CACHE'] = './models' # 初始化 VAD 模型 print("正在加载 VAD 模型...") vad_pipeline = pipeline( task=Tasks.voice_activity_detection, model='iic/speech_fsmn_vad_zh-cn-16k-common-pytorch' ) print("模型加载完成！") def process_vad(audio_file): if audio_file is None: return "请先上传音频或录音", None try: result = vad_pipeline(audio_file) # 兼容处理模型返回格式 if isinstance(result, list) and len(result) > 0: segments = result[0].get('value', []) else: return "模型返回格式异常", None if not segments: return "未检测到有效语音段。", None # 构建 Markdown 表格 formatted_res = "### 🎤 检测到以下语音片段 (单位: 秒):\n\n" formatted_res += "| 片段序号 | 开始时间 | 结束时间 | 时长 |\n| :--- | :--- | :--- | :--- |\n" # 准备 CSV 数据 csv_data = [["序号", "开始时间(秒)", "结束时间(秒)", "时长(秒)"]] for i, seg in enumerate(segments): start_ms, end_ms = seg[0], seg[1] start_s, end_s = start_ms / 1000.0, end_ms / 1000.0 duration_s = end_s - start_s formatted_res += f"| {i+1} | {start_s:.3f}s | {end_s:.3f}s | {duration_s:.3f}s |\n" csv_data.append([i+1, round(start_s, 3), round(end_s, 3), round(duration_s, 3)]) # 写入临时 CSV 文件 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") filename = f"vad_segments_{timestamp}.csv" filepath = os.path.join("output", filename) # 确保输出目录存在 os.makedirs("output", exist_ok=True) with open(filepath, mode='w', encoding='utf-8', newline='') as f: writer = csv.writer(f) writer.writerows(csv_data) return formatted_res, filepath except Exception as e: return f"检测失败: {str(e)}", None # 构建 Gradio 界面 with gr.Blocks(title="FSMN-VAD 语音检测") as demo: gr.Markdown("# 🎙️ FSMN-VAD 离线语音端点检测") with gr.Row(): with gr.Column(): audio_input = gr.Audio(label="上传音频或录音", type="filepath", sources=["upload", "microphone"]) run_btn = gr.Button("开始端点检测", variant="primary", elem_classes="orange-button") with gr.Column(): output_text = gr.Markdown(label="检测结果") download_file = gr.File(label="下载CSV结果", visible=True) run_btn.click(fn=process_vad, inputs=audio_input, outputs=[output_text, download_file]) demo.css = ".orange-button { background-color: #ff6600 !important; color: white !important; }" if __name__ == "__main__": demo.launch(server_name="127.0.0.1", server_port=6006)3.2 关键改动说明
| 改动点 | 说明 |
|---|---|
| 返回值扩展 | process_vad函数现在返回两个值：Markdown 字符串 和 CSV 文件路径 |
| CSV 写入 | 使用 Python 内置csv模块生成结构化文件，避免引入额外依赖 |
| 时间戳命名 | 文件名包含时间戳，防止重复覆盖 |
| 输出目录管理 | 自动创建output/目录存放导出文件 |
| Gradio 组件更新 | 添加gr.File组件用于文件下载 |
4. 部署与使用指南
4.1 环境准备（同原项目）
确保已安装必要的系统和 Python 依赖：
# 系统依赖 apt-get update && apt-get install -y libsndfile1 ffmpeg # Python 包 pip install modelscope gradio soundfile torch4.2 启动服务
执行更新后的脚本：
python web_app.py服务启动后访问 http://127.0.0.1:6006
4.3 使用流程
- 上传
.wav或.mp3音频文件，或使用麦克风录制； - 点击“开始端点检测”按钮；
- 页面右侧将显示语音片段表格；
- 在下方点击“下载CSV结果”即可获取结构化数据文件。
导出的 CSV 示例内容如下：
序号,开始时间(秒),结束时间(秒),时长(秒) 1,1.234,3.567,2.333 2,5.100,8.420,3.320 3,10.050,12.780,2.7305. 应用场景与优势
5.1 典型应用场景
- 语音识别预处理：将长音频按语音段自动切分，作为 ASR 输入；
- 语音数据标注：为人工标注提供初始分割建议，提高标注效率；
- 会议纪要生成：结合说话人分离技术，构建带时间戳的发言记录；
- 教学视频分析：统计教师讲解时段分布，辅助教学质量评估；
- 自动化测试：批量处理大量录音文件，验证 VAD 模型性能指标。
5.2 功能优势总结
| 优势 | 说明 |
|---|---|
| ✅ 标准化输出 | CSV 是最通用的数据交换格式，兼容性强 |
| ✅ 可追溯性 | 文件名含时间戳，便于版本管理和日志追踪 |
| ✅ 易于集成 | 可被 Pandas、SQL、BI 工具直接读取分析 |
| ✅ 轻量高效 | 不依赖数据库，适合边缘设备和轻量部署 |
6. 总结
本文在 FSMN-VAD 离线语音检测控制台的基础上，实现了将语音片段信息导出为 CSV 文件的核心功能。通过对原始 Gradio 脚本的扩展，我们在不增加复杂度的前提下，显著提升了系统的实用性和工程价值。
主要成果包括： 1. 完整实现了语音片段时间戳的结构化提取； 2. 支持自动生成带时间戳命名的 CSV 文件； 3. 提供了可运行的完整代码示例，便于快速集成； 4. 明确了该功能在语音处理流水线中的典型应用场景。
未来可进一步拓展方向包括： - 支持导出为 JSON、TXT 或 SRT 字幕格式； - 增加批量处理模式，支持多文件自动分析； - 集成语音切片功能，直接输出分段音频文件。
通过此类功能增强，FSMN-VAD 不再只是一个演示工具，而是一个真正可用于生产环境的语音预处理解决方案。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
