AADD

AADD

每 20 毫秒检测语音录音中的 12 种音频劣化，比如噪声、混响、削波和编解码伪影。适合清理语音数据集和审查录音。

由 gertelrina 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：AADD 是 Automatic Audio Degradation Detection 的缩写，它检查语音录音，标出 12 种问题中哪些存在、出现在哪里。例子包括噪声、混响、削波、丢包、嗡嗡声和爆音，还有音高和速度的变化。多个问题可以同时出现。

适合谁：适合为识别或合成构建语音数据集的团队，以及审查录音质量问题的工程师。

Industry | Who uses it | How they use it | Example
语音 AI | 机器学习工程师 | 把嘈杂或受损的片段从训练集中过滤掉 | 一个录音文件夹的报告
电信 | 音频工程师 | 在通话音频里发现丢包和编解码伪影 | 按 0.1 秒分段检查的一通电话
媒体 | 音频剪辑师 | 在录音里找出削波、爆音或嗡嗡声 | 扫描嗡嗡声的播客录制
研究 | 音频研究人员 | 用基于 Whisper 的模型研究劣化检测 | 在噪声和混响基准上的测试

如果你只需要去除音频噪声，可以跳过它，因为这个工具检测问题，但不修复。

用在哪里：

• aadd 命令行工具，在装有 Python 的 Windows、macOS 或 Linux 上
• Python 程序，通过 Detector 类
• 面向识别和合成的语音数据集流程

Use case | Who | What they get back
数据集清理 | 机器学习工程师 | 一个录音文件夹的 HTML 报告
帧级检测 | 音频工程师 | 每 20 毫秒对 12 个类别各给一个概率
分段导出 | 分析人员 | 按固定时间段给出检测结果的 CSV 文件

如何设置：

• Python 和 pip
• 来自项目 GitHub 页面的 aadd 包，里面有代码和命令行
• 检查点的存放空间，首次使用时会下载

1. 用 pip 安装 Hugging Face 的 hub 工具。
2. 用 hf 命令下载检查点，或让工具在首次使用时自动获取。
3. 从它的 GitHub 页面安装 aadd 包。
4. 对文件或文件夹运行 aadd scan。

pip install -U huggingface_hub
hf download gertelrina/aadd

如何使用：对一个文件夹运行 aadd scan 并加上报告选项，或对单个文件用更精细的分辨率。默认模型是 v3.1。在 Python 里，创建一个 Detector 并调用 predict_file。

aadd scan my_dataset/ --report report.html              # downloads this checkpoint on first use
aadd scan call.wav --resolution 0.1 --segments per_100ms.csv        # v3.1 is the default model

from aadd import Detector

det = Detector("v3", resolution=0.1)       # segments of 0.1 s (1.0 by default); 20-ms frames in res.frame_probs
res = det.predict_file("call.wav")
res.detected                                # {'noise': 0.97, 'reverb': 0.88}
res.frame_probs.shape                       # (n_frames_20ms, 12)

Tool | What it does
aadd scan | 扫描文件或文件夹，并写出报告或分段文件
Detector | 加载模型的 Python 类
predict_file | 返回检测到的类别和帧概率
resolution | 设置分段长度，单位为秒

示例：你对 call.wav 运行 aadd scan，分辨率设为 0.1，并指定一个分段文件。你会得到按每 100 毫秒给出检测结果的 CSV，所以能看到噪声或混响从哪里开始、到哪里结束。

新手与专家：先扫描一段简短的录音并打开报告。默认阈值对轻微噪声比较保守，所以过滤数据集时请调低它。

模型使用 Whisper-small 的编码器，有 88M 参数，经过端到端微调。对每个 20 毫秒的帧，它给每个类别一个分数，在 8 秒窗口上工作，滑动窗口让它能覆盖任意长度的录音。最新版本减少了咖啡馆和公交车上的人声嘈杂被误判为音乐的情况，在 VoiceBank-DEMAND 上，被标为音乐的嘈杂片段从 42% 降到 28%。

给它一段录音
Whisper-small 编码器读取 8 秒窗口
每个类别每 20 毫秒一个分数
报告或分段文件列出发现的问题

注意事项：

• License: MIT
• Cost to run: 没有提到
• Data it reaches: 你扫描的音频文件，以及下载检查点时用到的 Hugging Face
• Not for: 其他语言，因为训练只覆盖英语和俄语
• Limits: 它只报告问题，不修复音频，轻微噪声可能需要调低阈值

Title: 模型卡基准中噪声或混响的 ROC-AUC
VoiceBank-DEMAND noise: 0.992
DNS 2020 noise: 0.998
DNS 2020 reverberation: 1.000
Dynamic-SUPERB noise: 0.992

Hugging Face 上的数据（2026年11月13日）

• 任务：audio classification
• 框架：pytorch
• 最近 30 天下载：73
• 点赞：9
• 许可证：mit
• 语言：en, ru
• 基于：openai/whisper-small
• 标签：pytorch, aadd, audio, speech, audio-quality, degradation-detection, data-curation, sound-event-detection, whisper, audio-classification

链接

• 模型：https://huggingface.co/gertelrina/aadd
• 文件：https://huggingface.co/gertelrina/aadd/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 gertelrina/aadd

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。