VoxLock

VoxLock

在通话音频送入语音转文字之前，保留来电者的声音，去掉其他人的声音。这是一个 27.3M 参数的开源模型，可在 CPU 上流式运行，并为 Pipecat 和 LiveKit 语音智能体提供过滤器。

由 arbazsiddiqui 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：VoxLock 是面向语音智能体和电话通话的开源人声隔离模型。它只需要一路输入，也就是通话音频，就能自己找出来电者。它会在语音转文字系统听到之前，去掉房间里的其他人声。它在 CPU 上流式运行，算法延迟为 24 毫秒。

适合谁：如果你是构建语音智能体或转写通话的开发者，需要在旁边有人说话时仍让来电者的话清晰地传过来，它就适合你。

行业 | 谁在用 | 怎么用 | 例子
客户支持 | 运行电话语音智能体的团队 | 在转写之前清理通话音频 | 同事在来电者身后说话时，仍保留来电者的话
语音 AI | 使用 Pipecat 或 LiveKit 的开发者 | 把它作为音频过滤器或 Agents 插件加入 | 把它放在语音转文字步骤之前
会议和转写 | 转写头戴式耳机音频的团队 | 把佩戴耳机的人和其他人声隔离开 | 在满屋人声中转写一个人的话

如果你需要同时保留多个说话人，可以跳过它，因为它只保留一个来电者。

用在哪里：

• Pipecat 音频过滤器，适用于基于 Pipecat 构建的语音智能体
• LiveKit Agents 插件，适用于基于 LiveKit 构建的智能体
• C++ 里的 sherpa-onnx
• 命令行，处理音频文件，可在装有 Python 的 Windows、macOS 和 Linux 上使用

用例 | 谁 | 得到什么
语音智能体前端 | 智能体开发者 | 去掉了其他人声的来电者音频
文件清理 | 分析人员 | 一个只含来电者的清理后音频文件
转写准备 | 语音转文字用户 | 泄漏背景词更少的音频

如何设置：
你需要先准备：

• Windows、macOS 或 Linux 上的 Python
• 一个通话的音频文件，或一个流式音频来源
• 语音智能体框架，仅在你想走 Pipecat 或 LiveKit 路线时需要

1. 用 pip 安装 voxlock 包。
2. 在一段通话录音上运行命令行工具。
3. 要用于智能体，就按模型卡加入 Pipecat 过滤器或 LiveKit 插件。

pip install voxlock

pip install -U huggingface_hub
hf download arbazsiddiqui/voxlock

如何使用：你对一段录音运行 voxlock 命令并指定输出文件，结果里只有来电者。要用自己的流式循环或智能体插件，模型卡里有更多内容。

voxlock call.wav -o caller.wav

工具 | 作用
voxlock | 命令行工具，在音频文件里隔离来电者的声音
Pipecat filter | 音频过滤器，在 Pipecat 智能体内部清理通话音频
LiveKit Agents plugin | 插件，在 LiveKit 智能体内部做同样的事
sherpa-onnx | 运行这个模型的 C++ 途径

示例：你有一段通话录音，来电者身后在放电视。你对 call.wav 运行这条命令并写出 caller.wav。输出应当保留来电者，去掉其他人声。

新手与专家：人声隔离是保留一个人的声音，去掉其余的声音。可以先安装这个包，对一段简短的录音运行上面的命令，再听一听两个文件。

对熟悉这个领域的读者来说，这个模型有 27.3M 参数，以一个因果的 REAL-TSE 检查点为起点。它的评分标准是：只有背景在说话时，语音识别器写下了多少背景词，按每分钟计数。模型卡的测试用 Parakeet TDT 0.6B v2 转写音频，并采用 Krisp 基准自己的方法。

通话音频以一路流的形式进入
VoxLock 找出来电者
去掉其他人声
清理后的音频送入语音转文字
转写结果里的杂词更少

注意事项：

• 基准：这些数字来自作者在 Krisp 基准的 265 段真实录音上的运行。
• 会议：在 AMI 会议上，VoxLock 的词错误率最低，但 ai-coustics Voice Focus 2.2 S 泄漏的背景词更少。
• 语言：Hugging Face 列出的是英语。
• 大小：27.3M 参数，F32 下约 109 MB。
• 注意：模型卡中 ElevenLabs 的结果只涵盖背景说话最多的 7 段录音。

Title: Krisp 基准上的词错误率，越低越好
VoxLock: 4.95 %
Krisp VI 2.5 Default: 5.30 %
ai-coustics Voice Focus 2.2 L: 6.84 %
Sanas Voice Isolation SE 1.0: 9.38 %
DeepFilterNet3: 13.30 %
No processing: 23.21 %

• License: Apache 2.0。
• Cost to run: 未提及。它在 CPU 上运行。
• Data it reaches: 你提供的音频。这里的文字没有提到联网使用。
• Not for: 这里的文字里没有提到。

Hugging Face 上的数据（2026年11月13日）

• 任务：audio to audio
• 参数量：27.3M
• Weights: about 109 MB in F32; about 14 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：2,253
• 点赞：46
• 许可证：apache-2.0
• 语言：en
• 基于：Wespeaker/wespeaker-voxceleb-ecapa-tdnn512
• Quantized versions: 1
• 标签：onnx, safetensors, voice-isolation, background-voice-cancellation, background-voice-removal, target-speaker-extraction, speaker-extraction, personalized-speech-enhancement, speech-enhancement, audio, speech, voice-agents

链接

• 模型：https://huggingface.co/arbazsiddiqui/voxlock
• 文件：https://huggingface.co/arbazsiddiqui/voxlock/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download arbazsiddiqui/voxlock

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。