flexaudio_vad/

lib.rs

//! flexaudio-vad — silero-VAD を ONNX でオフライン実行する VAD アドオン。
//!
//! `flexaudio-core` には依存せず、`&[f32]` のサンプル列だけを受け取る。silero-VAD
//! モデル (MIT) をバイナリに埋め込むので、実行時のモデルファイルもネットワークも要らない。
//!
//! # 例 (ストリーミング)
//! ```no_run
//! use flexaudio_vad::{Vad, VadConfig, VadEvent};
//! let mut vad = Vad::new(VadConfig::default()).unwrap();
//! for chunk in some_audio_chunks() {
//!     for ev in vad.process(chunk) {
//!         match ev {
//!             VadEvent::SpeechStart { at_sample } => println!("start @ {at_sample}"),
//!             VadEvent::SpeechEnd { at_sample } => println!("end @ {at_sample}"),
//!         }
//!     }
//! }
//! # fn some_audio_chunks() -> Vec<&'static [f32]> { vec![] }
//! ```
//!
//! # 例 (バッチ)
//! ```no_run
//! use flexaudio_vad::{get_speech_timestamps, VadConfig};
//! let samples: Vec<f32> = vec![0.0; 16000];
//! let segments = get_speech_timestamps(&samples, &VadConfig::default()).unwrap();
//! for s in segments {
//!     println!("{}..{}", s.start_sample, s.end_sample);
//! }
//! ```

#![warn(missing_docs)]

mod config;
mod resample;
mod segmenter;

pub use config::VadConfig;
pub use resample::PcmFormat;
pub use segmenter::Segment;

use ort::session::Session;
use ort::value::Tensor;
use resample::PcmConverter;
use segmenter::Segmenter;

/// silero-VAD モデル (v6, MIT)。実行時ファイルを要らなくするためバイナリへ埋め込む。
static MODEL_BYTES: &[u8] = include_bytes!("../assets/silero_vad.onnx");

/// state テンソルの要素数 (2 * 1 * 128)。
const STATE_LEN: usize = 2 * 128;

/// VAD が確定したイベント。サンプル位置はパディング適用後。
#[derive(Debug, Clone, Copy, PartialEq, Eq)]
pub enum VadEvent {
    /// 発話開始 (パディング適用後の絶対サンプル位置)。
    SpeechStart {
        /// 発話が始まった絶対サンプル位置 (パディング適用後・含む)。
        at_sample: u64,
    },
    /// 発話終了 (パディング適用後の絶対サンプル位置・排他的)。
    SpeechEnd {
        /// 発話が終わった絶対サンプル位置 (パディング適用後・排他的)。
        at_sample: u64,
    },
}

/// VAD のエラー型。
#[derive(Debug, Clone, PartialEq, Eq)]
pub enum VadError {
    /// モデルのロードに失敗。
    ModelLoad(String),
    /// 推論実行中のエラー。
    Inference(String),
    /// 設定値が不正。
    InvalidConfig(String),
}

impl std::fmt::Display for VadError {
    fn fmt(&self, f: &mut std::fmt::Formatter<'_>) -> std::fmt::Result {
        match self {
            VadError::ModelLoad(m) => write!(f, "model load error: {m}"),
            VadError::Inference(m) => write!(f, "inference error: {m}"),
            VadError::InvalidConfig(m) => write!(f, "invalid config: {m}"),
        }
    }
}

impl std::error::Error for VadError {}

/// ストリーミング VAD。1 インスタンスが ONNX `Session` を 1 つ持つ（共有しない）。
///
/// 任意長の `&[f32]` を [`Vad::process`] に流すと、内部で frame (16k=512) 単位に束ねて
/// silero 推論し、セグメント状態機械を回して確定したイベントを返す。
pub struct Vad {
    session: Session,
    config: VadConfig,
    segmenter: Segmenter,

    /// silero state テンソル `[2,1,128]`（フレーム間で継承）。
    state: Vec<f32>,
    /// 前回フレーム末尾の context (16k=64)。次フレームの前置に使う。
    context: Vec<f32>,
    /// frame_size に満たない端数サンプルの残り。
    pending: Vec<f32>,

    /// 直近 [`Vad::process`] で計算した各フレームの生発話確率。
    last_probs: Vec<f32>,

    /// [`Vad::process_pcm`] 用の前段変換器（任意フォーマット → VAD レートの mono）。
    /// 変換が要らないフォーマット（VAD レートの mono）では作られない。入力フォーマットが
    /// 変わったら作り直す。
    converter: Option<PcmConverter>,
}

impl Vad {
    /// 埋め込みモデルをロードして VAD を構築する。
    pub fn new(config: VadConfig) -> Result<Vad, VadError> {
        config.validate().map_err(VadError::InvalidConfig)?;

        let session = Session::builder()
            .map_err(|e| VadError::ModelLoad(e.to_string()))?
            .commit_from_memory(MODEL_BYTES)
            .map_err(|e| VadError::ModelLoad(e.to_string()))?;

        let segmenter = Segmenter::new(&config);
        let ctx_size = config.context_size();

        Ok(Vad {
            session,
            config,
            segmenter,
            state: vec![0.0f32; STATE_LEN],
            context: vec![0.0f32; ctx_size],
            pending: Vec::new(),
            last_probs: Vec::new(),
            converter: None,
        })
    }

    /// 任意長の f32 サンプルを処理し、確定した [`VadEvent`] を返す。
    ///
    /// 内部で frame_size 単位に束ね、満たないサンプルは次回まで保持する。サンプル位置は
    /// 呼び出しをまたいで連続する（累積）。
    pub fn process(&mut self, samples: &[f32]) -> Vec<VadEvent> {
        let frame_size = self.config.frame_size();
        self.last_probs.clear();

        let mut segments_out = Vec::new();
        let mut events = Vec::new();

        // pending + 新規サンプルを連結して frame_size 単位に消費。
        self.pending.extend_from_slice(samples);

        let mut offset = 0;
        // self.pending を借用したまま &mut self の infer_frame には渡せないので、
        // 1 フレーム分を局所バッファへコピーしてから推論する。
        let mut frame_buf = vec![0.0f32; frame_size];
        while offset + frame_size <= self.pending.len() {
            frame_buf.copy_from_slice(&self.pending[offset..offset + frame_size]);
            // 推論失敗時は無音 (0.0) に倒して継続。
            let prob = self.infer_frame(&frame_buf).unwrap_or(0.0);
            self.last_probs.push(prob);
            self.segmenter.feed(prob, &mut segments_out);
            offset += frame_size;
        }
        // 消費済み分を捨てる。
        self.pending.drain(0..offset);

        for seg in segments_out {
            events.push(VadEvent::SpeechStart {
                at_sample: seg.start_sample,
            });
            events.push(VadEvent::SpeechEnd {
                at_sample: seg.end_sample,
            });
        }
        events
    }

    /// 録音チャンクをそのまま渡せる自己完結の入口。任意フォーマット（`input_sample_rate` /
    /// `input_channels` の interleaved f32）を内部で mono 化・VAD レートへリサンプルしてから
    /// [`Vad::process`] と同じ経路にかける。
    ///
    /// 各言語バインディングが録音チャンク（例 48k/stereo）を変換せずそのまま流せるようにする
    /// のが狙い。`samples` は interleaved で、長さは `input_channels` の倍数を想定する
    /// （端数フレームは次回まで内部に持ち越すので、任意の位置で分割して渡してよい）。
    ///
    /// 入力が既に VAD レート（[`VadConfig::sample_rate`]）の mono なら、mono 化もリサンプル
    /// もせず [`Vad::process`] へそのまま渡す（追加コストなし）。それ以外は各チャンネルの
    /// 平均で mono 化し、rubato でリサンプルする。リサンプラは呼び出しをまたいで状態を持つ
    /// ので、連続ストリームでも継ぎ目は出ない。
    ///
    /// 返す [`VadEvent`] の `at_sample` は **VAD 内部レート（`config().sample_rate`＝16000
    /// か 8000）のサンプル基準**で、入力サンプル基準ではない（リサンプル後の内部位置の累積）。
    /// [`Vad::process`] と揃えてあるので両者を混ぜても位置は連続する。秒に直すなら
    /// `at_sample as f64 / config().sample_rate as f64`、入力サンプル位置の目安が要るなら
    /// `at_sample * input_sample_rate / config().sample_rate` で近似できる。
    ///
    /// リサンプラの構築や実行に失敗した場合（極端なレート比など）は、その呼び出し分を捨てて
    /// 空のイベント列を返す（取り込みを panic で止めない。[`Vad::process`] が推論失敗を無音に
    /// 倒すのと同じ方針）。
    pub fn process_pcm(
        &mut self,
        samples: &[f32],
        input_sample_rate: u32,
        input_channels: u16,
    ) -> Vec<VadEvent> {
        let target = self.config.sample_rate;
        let format = PcmFormat {
            sample_rate: input_sample_rate,
            channels: input_channels,
        };

        // 入力フォーマットが前回と変わったら変換器を捨てる（必要なら下で作り直す）。
        if let Some(c) = &self.converter {
            if !c.matches(format) {
                self.converter = None;
            }
        }

        // 変換不要（既に VAD レートの mono）なら余計なコピーもリサンプルもせず既存経路へ。
        if input_sample_rate == target && input_channels <= 1 {
            return self.process(samples);
        }

        // 変換器を用意（初回・またはフォーマット変更時）。構築失敗はこの呼び出しを捨てて継続。
        if self.converter.is_none() {
            match PcmConverter::new(format, target) {
                Ok(c) => self.converter = Some(c),
                Err(_) => return Vec::new(),
            }
        }

        // mono 化 + リサンプルして VAD レートの mono を得てから既存経路へ流す。
        let mut converted = Vec::new();
        {
            let conv = self.converter.as_mut().expect("converter は直前に用意済み");
            if conv.convert(samples, &mut converted).is_err() {
                return Vec::new();
            }
        }
        self.process(&converted)
    }

    /// 1 フレーム (frame_size サンプル) を silero に通し発話確率を返す。
    ///
    /// silero の入力は frame そのものではなく `concat(context, frame)` で、長さは
    /// `context_size + frame_size` (16k=64+512=576)。推論後、context を今回入力末尾の
    /// `context_size` サンプルで、state を出力 state で更新する。
    fn infer_frame(&mut self, frame: &[f32]) -> Result<f32, VadError> {
        let ctx_size = self.config.context_size();
        let frame_size = self.config.frame_size();
        debug_assert_eq!(frame.len(), frame_size);
        debug_assert_eq!(self.context.len(), ctx_size);

        // x = concat(context, frame)。長さ ctx_size + frame_size (16k=576)。
        let input_len = ctx_size + frame_size;
        let mut x = Vec::with_capacity(input_len);
        x.extend_from_slice(&self.context);
        x.extend_from_slice(frame);

        // 次回 context = 今回入力末尾の ctx_size サンプル。x は run へ move されるので
        // 先に控えておく。
        let next_context: Vec<f32> = x[input_len - ctx_size..].to_vec();

        // 入力テンソル: input f32 [1, input_len], state f32 [2,1,128], sr int64 scalar。
        let input_tensor = Tensor::from_array(([1_i64, input_len as i64], x))
            .map_err(|e| VadError::Inference(e.to_string()))?;
        let state_tensor = Tensor::from_array(([2_i64, 1, 128], self.state.clone()))
            .map_err(|e| VadError::Inference(e.to_string()))?;
        // sr はランク0スカラー int64（モデル入力 shape は []）。
        let sr_tensor =
            Tensor::from_array((vec![] as Vec<i64>, vec![self.config.sample_rate as i64]))
                .map_err(|e| VadError::Inference(e.to_string()))?;

        let outputs = self
            .session
            .run(ort::inputs![
                "input" => input_tensor,
                "state" => state_tensor,
                "sr" => sr_tensor,
            ])
            .map_err(|e| VadError::Inference(e.to_string()))?;

        // 出力名: 確率 = "output", 更新後 state = "stateN"（実モデルで確認済み）。
        let (_pshape, prob_slice) = outputs["output"]
            .try_extract_tensor::<f32>()
            .map_err(|e| VadError::Inference(e.to_string()))?;
        let prob = *prob_slice
            .first()
            .ok_or_else(|| VadError::Inference("empty output tensor".to_string()))?;

        let (_sshape, state_slice) = outputs["stateN"]
            .try_extract_tensor::<f32>()
            .map_err(|e| VadError::Inference(e.to_string()))?;
        if state_slice.len() != STATE_LEN {
            return Err(VadError::Inference(format!(
                "unexpected state length {} (expected {STATE_LEN})",
                state_slice.len()
            )));
        }
        let new_state = state_slice.to_vec();

        // 出力の借用が outputs/session を握っているので、コピーし終えてから更新する。
        drop(outputs);
        self.state = new_state;
        self.context = next_context;

        Ok(prob)
    }

    /// 直近 [`Vad::process`] で計算した各フレームの生発話確率を返す。
    ///
    /// セグメントイベントとは独立した第二の出力。
    pub fn last_frame_probabilities(&self) -> &[f32] {
        &self.last_probs
    }

    /// state / context / 状態機械 / サンプル位置 / 端数バッファ / リサンプラ状態を
    /// すべて初期化する。
    pub fn reset(&mut self) {
        self.state = vec![0.0f32; STATE_LEN];
        self.context = vec![0.0f32; self.config.context_size()];
        self.pending.clear();
        self.last_probs.clear();
        self.segmenter.reset();
        // 変換器を捨てる。次の process_pcm がフォーマットに応じて作り直すので、
        // リサンプラの内部遅延・端数もまとめてリセットされる。
        self.converter = None;
    }

    /// 現在の設定への参照。
    pub fn config(&self) -> &VadConfig {
        &self.config
    }
}

/// バッチ処理用（silero `get_speech_timestamps` 相当）。
///
/// 全サンプルを一括処理して確定セグメント列を返す。末尾で発話中なら入力終端まで採る。
pub fn get_speech_timestamps(
    samples: &[f32],
    config: &VadConfig,
) -> Result<Vec<Segment>, VadError> {
    let mut vad = Vad::new(config.clone())?;
    let frame_size = config.frame_size();

    let mut out = Vec::new();
    let mut chunks = samples.chunks_exact(frame_size);
    for frame in chunks.by_ref() {
        let prob = vad.infer_frame(frame)?;
        vad.last_probs.push(prob);
        vad.segmenter.feed(prob, &mut out);
    }
    // 端数フレームは silero と同じく推論せず捨てる。入力終端で発話中なら確定。
    vad.segmenter.flush(&mut out);

    Ok(out)
}

#[cfg(test)]
mod tests {
    use super::*;
    use crate::config::VadConfig;
    use crate::segmenter::{Segment, Segmenter};

    /// frame_size=512 @16k 前提で、確率列をセグメンタに流しセグメント列を得るヘルパ。
    fn run_probs(config: &VadConfig, probs: &[f32]) -> Vec<Segment> {
        let mut seg = Segmenter::new(config);
        let mut out = Vec::new();
        for &p in probs {
            seg.feed(p, &mut out);
        }
        seg.flush(&mut out);
        out
    }

    fn base_config() -> VadConfig {
        // pad=0 にして純粋な境界ロジックを検証しやすくする。512 サンプル/フレーム前提。
        VadConfig {
            threshold: 0.5,
            neg_threshold: Some(0.35),
            min_speech_ms: 0, // 破棄を切る (個別テストで上書き)
            min_silence_ms: 0,
            speech_pad_ms: 0,
            max_speech_ms: 0,
            sample_rate: 16000,
        }
    }

    #[test]
    fn neg_threshold_default_formula() {
        let mut c = VadConfig::default();
        assert_eq!(c.resolved_neg_threshold(), (0.5 - 0.15_f32).max(0.01));
        c.threshold = 0.1;
        assert_eq!(c.resolved_neg_threshold(), 0.01); // クランプ下限
        c.neg_threshold = Some(0.2);
        assert_eq!(c.resolved_neg_threshold(), 0.2); // 明示優先
    }

    #[test]
    fn simple_speech_then_silence() {
        // 512 サンプル/フレーム。min_silence=512 (=1フレーム), min_speech=0。
        let mut c = base_config();
        c.min_silence_ms = 32; // 32ms @16k = 512 samples = 1 frame
                               // 20 フレーム発話 → 30 フレーム無音
        let mut probs = vec![0.9f32; 20];
        probs.extend(vec![0.1f32; 30]);
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 1, "exactly one segment");
        let s = segs[0];
        // 開始 = フレーム0先頭 = 0。
        assert_eq!(s.start_sample, 0);
        // 終了 = 無音開始位置 (フレーム20先頭 = 20*512)。
        assert_eq!(s.end_sample, 20 * 512);
    }

    #[test]
    fn min_speech_discards_short_segment() {
        let mut c = base_config();
        c.min_silence_ms = 32; // 1 frame
        c.min_speech_ms = 250; // 250ms @16k = 4000 samples ≈ 7.8 frames
                               // 5 フレーム発話 (5*512=2560 < 4000) → 破棄されるべき
        let mut probs = vec![0.9f32; 5];
        probs.extend(vec![0.1f32; 10]);
        let segs = run_probs(&c, &probs);
        assert!(
            segs.is_empty(),
            "short segment must be discarded, got {segs:?}"
        );

        // 10 フレーム発話 (5120 >= 4000) → 採用
        let mut probs2 = vec![0.9f32; 10];
        probs2.extend(vec![0.1f32; 10]);
        let segs2 = run_probs(&c, &probs2);
        assert_eq!(segs2.len(), 1);
        assert_eq!(segs2[0].len_samples(), 10 * 512);
    }

    #[test]
    fn min_silence_boundary_keeps_segment_together() {
        // 短い無音 (< min_silence) はセグメントを切らない。
        let mut c = base_config();
        c.min_silence_ms = 192; // 192ms @16k = 3072 samples = 6 frames
                                // 10発話 → 3無音 (3*512=1536 < 3072 なので継続) → 10発話 → 長い無音
        let mut probs = vec![0.9f32; 10];
        probs.extend(vec![0.1f32; 3]);
        probs.extend(vec![0.9f32; 10]);
        probs.extend(vec![0.1f32; 10]); // 10*512=5120 >= 3072 で確定
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 1, "short gap must NOT split, got {segs:?}");
        assert_eq!(segs[0].start_sample, 0);
        // 終端 = 2回目発話塊の後の無音開始 = フレーム23先頭。
        assert_eq!(segs[0].end_sample, 23 * 512);
    }

    #[test]
    fn min_silence_just_over_splits() {
        // min_silence をちょうど超える無音は切る。
        let mut c = base_config();
        c.min_silence_ms = 64; // 64ms = 1024 samples = 2 frames
                               // 5発話 → 3無音 (3*512=1536) → 5発話 → 無音
                               // 無音3フレーム目で (frame_start - temp_end) を評価:
                               //   temp_end は無音1フレーム目先頭。無音Nフレーム目先頭 - temp_end = (N-1)*512。
                               //   >= 1024 となるのは N-1 >= 2 → N>=3 → 3フレーム目の feed で確定。
        let mut probs = vec![0.9f32; 5];
        probs.extend(vec![0.1f32; 3]);
        probs.extend(vec![0.9f32; 5]);
        probs.extend(vec![0.1f32; 5]);
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 2, "long gap must split into two, got {segs:?}");
        assert_eq!(segs[0].start_sample, 0);
        assert_eq!(segs[0].end_sample, 5 * 512); // 無音開始位置
    }

    #[test]
    fn speech_pad_extends_and_clamps() {
        let mut c = base_config();
        c.min_silence_ms = 32; // 1 frame
        c.speech_pad_ms = 32; // 32ms = 512 samples
                              // フレーム2..5 が発話 (先頭に無音2フレームを置き、開始 pad が 0 でクランプされない様に)
        let mut probs = vec![0.1f32; 2]; // フレーム0,1 無音
        probs.extend(vec![0.9f32; 4]); // フレーム2..5 発話 (開始=2*512=1024)
        probs.extend(vec![0.1f32; 5]); // 無音
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 1);
        // 開始 = 1024 - 512 = 512。
        assert_eq!(segs[0].start_sample, 1024 - 512);
        // 終了 = 無音開始(6*512=3072) + 512 = 3584。
        assert_eq!(segs[0].end_sample, 6 * 512 + 512);
    }

    #[test]
    fn speech_pad_start_clamps_at_zero() {
        // フレーム0から発話 → 開始 pad が underflow せず 0 になる。
        let mut c = base_config();
        c.min_silence_ms = 32;
        c.speech_pad_ms = 64; // 1024 samples
        let mut probs = vec![0.9f32; 5];
        probs.extend(vec![0.1f32; 5]);
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 1);
        assert_eq!(segs[0].start_sample, 0, "start pad must clamp to 0");
    }

    #[test]
    fn pad_does_not_overlap_previous_segment() {
        // 2 セグメントで、後段の開始 pad が前段の終了 pad を侵さないようクランプ。
        let mut c = base_config();
        c.min_silence_ms = 64; // 2 frames
        c.speech_pad_ms = 192; // 3072 samples = 6 frames (大きめに)
                               // 5発話 → 3無音 (確定) → 5発話 → 無音
        let mut probs = vec![0.9f32; 5];
        probs.extend(vec![0.1f32; 3]);
        probs.extend(vec![0.9f32; 5]);
        probs.extend(vec![0.1f32; 5]);
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 2);
        // seg0 終端 pad と seg1 開始 pad が重ならない (seg1.start >= seg0.end)。
        assert!(
            segs[1].start_sample >= segs[0].end_sample,
            "seg1.start ({}) must be >= seg0.end ({})",
            segs[1].start_sample,
            segs[0].end_sample
        );
    }

    #[test]
    fn max_speech_forces_split_when_no_silence() {
        // 無音が一切無いまま max_speech を超えたら強制分割。
        let mut c = base_config();
        c.max_speech_ms = 192; // 3072 samples = 6 frames
        c.min_silence_ms = 32;
        // 連続発話 20 フレーム (無音なし)。max_speech=6フレームごとに分割。
        let probs = vec![0.9f32; 20];
        let segs = run_probs(&c, &probs);
        assert!(
            segs.len() >= 2,
            "max_speech must force at least one split, got {segs:?}"
        );
        // 各セグメントが max_speech 程度で切られている。
        for s in &segs {
            assert!(
                s.len_samples() <= c.ms_to_samples(c.max_speech_ms) + 512,
                "segment {s:?} exceeds max_speech by more than one frame"
            );
        }
    }

    #[test]
    fn gray_zone_keeps_triggered() {
        // threshold > prob >= neg_threshold のグレーゾーンでは発話継続 (切れない)。
        let mut c = base_config(); // threshold 0.5, neg 0.35
        c.min_silence_ms = 32;
        let mut probs = vec![0.9f32; 5];
        probs.extend(vec![0.4f32; 5]); // グレー (0.35 <= 0.4 < 0.5)
        probs.extend(vec![0.9f32; 5]);
        probs.extend(vec![0.1f32; 5]); // 本当の無音
        let segs = run_probs(&c, &probs);
        assert_eq!(segs.len(), 1, "gray zone must not split, got {segs:?}");
        assert_eq!(segs[0].end_sample, 15 * 512);
    }

    // ---- ONNX 経路スモークテスト ----

    #[test]
    fn vad_loads_model() {
        let vad = Vad::new(VadConfig::default());
        assert!(vad.is_ok(), "model load failed: {:?}", vad.err());
    }

    #[test]
    fn zeros_produce_low_prob_no_speech() {
        let mut vad = Vad::new(VadConfig::default()).unwrap();
        let zeros = vec![0.0f32; 16000];
        let events = vad.process(&zeros);
        // 無音入力では SpeechStart は出ない。
        assert!(
            !events
                .iter()
                .any(|e| matches!(e, VadEvent::SpeechStart { .. })),
            "silence must not trigger SpeechStart, got {events:?}"
        );
        let probs = vad.last_frame_probabilities();
        assert_eq!(probs.len(), 16000 / 512, "expected one prob per frame");
        for &p in probs {
            assert!((0.0..=1.0).contains(&p), "prob {p} out of [0,1]");
            assert!(p < 0.5, "silence prob {p} unexpectedly high");
        }
    }

    #[test]
    fn process_streams_across_calls() {
        // 端数サンプルがコール境界をまたいでも全フレームが処理される。
        let mut vad = Vad::new(VadConfig::default()).unwrap();
        // 300 + 300 + ... で 512 境界をまたぐ。合計 512*4 = 2048 サンプルを小分け。
        let total = 2048usize;
        let chunk = vec![0.0f32; 300];
        let mut fed = 0usize;
        let mut total_probs = 0usize;
        while fed < total {
            let take = chunk.len().min(total - fed);
            vad.process(&chunk[..take]);
            total_probs += vad.last_frame_probabilities().len();
            fed += take;
        }
        assert_eq!(
            total_probs,
            total / 512,
            "all complete frames must be inferred"
        );
    }

    #[test]
    fn reset_clears_state() {
        let mut vad = Vad::new(VadConfig::default()).unwrap();
        vad.process(&vec![0.0f32; 1000]); // pending に端数を残す
        vad.reset();
        assert_eq!(vad.last_frame_probabilities().len(), 0);
        assert_eq!(vad.config().sample_rate, 16000);
    }

    #[test]
    fn invalid_sample_rate_rejected() {
        let c = VadConfig {
            sample_rate: 44100,
            ..VadConfig::default()
        };
        let r = Vad::new(c);
        assert!(matches!(r, Err(VadError::InvalidConfig(_))));
    }

    #[test]
    fn batch_get_speech_timestamps_on_silence() {
        let zeros = vec![0.0f32; 16000];
        let segs = get_speech_timestamps(&zeros, &VadConfig::default()).unwrap();
        assert!(segs.is_empty(), "silence yields no segments, got {segs:?}");
    }

    // ---- process_pcm（自己完結入口） ----

    /// 決定的な帯域内（<8kHz）テスト信号。倍音を重ねた合成波でリサンプルの効きが分かる。
    /// なお silero は合成波を発話とみなさない（既定設定では確率が低い）ので、イベント自体は
    /// 主に低しきい値の設定で出す。ここでは確率列の一致でリサンプルの正しさを確かめる。
    fn harmonics(rate: usize, n: usize) -> Vec<f32> {
        (0..n)
            .map(|i| {
                let t = i as f32 / rate as f32;
                let mut v = 0.0f32;
                for (k, f) in [180.0f32, 540.0, 1200.0, 2600.0].iter().enumerate() {
                    v += (0.4 / (k as f32 + 1.0)) * (2.0 * std::f32::consts::PI * f * t).sin();
                }
                v * 0.5
            })
            .collect()
    }

    /// mono を interleaved stereo（L=R）に複製する。
    fn to_stereo(mono: &[f32]) -> Vec<f32> {
        let mut s = Vec::with_capacity(mono.len() * 2);
        for &v in mono {
            s.push(v);
            s.push(v);
        }
        s
    }

    /// 16k/mono を process_pcm に渡すと process と完全に同じ挙動（イベント列・確率列が
    /// ビット一致）になる＝パススルー経路。
    #[test]
    fn process_pcm_passthrough_matches_process() {
        let sig = harmonics(16_000, 16_000);
        let mut vad = Vad::new(VadConfig::default()).unwrap();

        let e_pcm = vad.process_pcm(&sig, 16_000, 1);
        let p_pcm = vad.last_frame_probabilities().to_vec();

        vad.reset();
        let e_proc = vad.process(&sig);
        let p_proc = vad.last_frame_probabilities().to_vec();

        assert_eq!(
            e_pcm, e_proc,
            "passthrough のイベント列が process と一致しない"
        );
        assert_eq!(
            p_pcm, p_proc,
            "passthrough の確率列が process とビット一致しない"
        );
        assert_eq!(p_pcm.len(), 16_000 / 512, "フレーム数が想定通りでない");
    }

    /// 48k/stereo を分割して process_pcm に渡しても、一括で渡したときとイベント列・確率列が
    /// 一致する（リサンプラ状態が呼び出しをまたいで継続＝継ぎ目なし）。奇数長で分割して
    /// フレーム境界もまたがせる。
    #[test]
    fn process_pcm_split_matches_bulk() {
        // 合成信号は silero が発話とみなさない（確率が低い）ので、確率値に依らず
        // イベントが出る設定にする。threshold=0 で全フレームを発話扱いにし、max_speech で
        // 一定長ごとに強制分割させる。イベント位置はリサンプル後のフレーム数で決まるので、
        // 分割と一括が食い違えばイベント列がずれる＝継ぎ目検出にもなる。
        let cfg = VadConfig {
            threshold: 0.0,
            neg_threshold: Some(0.0),
            min_speech_ms: 0,
            min_silence_ms: 0,
            speech_pad_ms: 0,
            max_speech_ms: 200, // 200ms @16k = 3200 サンプルごとに強制分割。
            sample_rate: 16_000,
        };
        let stereo = to_stereo(&harmonics(48_000, 48_000));

        let mut vad = Vad::new(cfg).unwrap();

        // 一括投入。
        let bulk_events = vad.process_pcm(&stereo, 48_000, 2);
        let bulk_probs = vad.last_frame_probabilities().to_vec();

        vad.reset();

        // 分割投入（777 サンプル＝奇数長でフレーム境界をまたぐ）。
        let mut split_events = Vec::new();
        let mut split_probs = Vec::new();
        for chunk in stereo.chunks(777) {
            let evs = vad.process_pcm(chunk, 48_000, 2);
            split_events.extend(evs);
            split_probs.extend_from_slice(vad.last_frame_probabilities());
        }

        assert_eq!(
            bulk_probs, split_probs,
            "分割と一括で確率列が一致しない（継ぎ目が出ている）"
        );
        assert_eq!(
            bulk_events, split_events,
            "分割と一括でイベント列が一致しない"
        );
        assert!(
            !bulk_events.is_empty(),
            "この設定では発話イベントが出るはず（テストの実効性確認）"
        );
    }

    /// reset 後に同一入力を process_pcm へ流すと、イベント列・確率列が完全に一致する
    /// （リサンプラ状態も reset で初期化される）。
    #[test]
    fn process_pcm_reset_is_deterministic() {
        let stereo = to_stereo(&harmonics(48_000, 24_000));

        let mut vad = Vad::new(VadConfig::default()).unwrap();
        let e1 = vad.process_pcm(&stereo, 48_000, 2);
        let p1 = vad.last_frame_probabilities().to_vec();

        vad.reset();
        let e2 = vad.process_pcm(&stereo, 48_000, 2);
        let p2 = vad.last_frame_probabilities().to_vec();

        assert_eq!(e1, e2, "reset 後に同一入力で同一イベントにならない");
        assert_eq!(p1, p2, "reset 後に同一入力で同一確率にならない");
    }

    /// 48k/stereo を process_pcm に流した結果が、同じ波形を直接 16k/mono で作って process に
    /// 流した結果とほぼ一致する。過渡（先頭・末尾数フレーム）を除いた確率で突き合わせる。
    #[test]
    fn process_pcm_48k_stereo_matches_direct_16k() {
        let n16 = 16_000usize;
        let ref16 = harmonics(16_000, n16);
        let stereo48 = to_stereo(&harmonics(48_000, n16 * 3));

        let mut ref_vad = Vad::new(VadConfig::default()).unwrap();
        let ref_events = ref_vad.process(&ref16);
        let ref_probs = ref_vad.last_frame_probabilities().to_vec();

        let mut pcm_vad = Vad::new(VadConfig::default()).unwrap();
        let pcm_events = pcm_vad.process_pcm(&stereo48, 48_000, 2);
        let pcm_probs = pcm_vad.last_frame_probabilities().to_vec();

        // フレーム数はリサンプラ遅延で最大 1 フレーム差。共通部分の中央で確率を比べる。
        let n = ref_probs.len().min(pcm_probs.len());
        assert!(n >= 8, "十分なフレーム数が必要: {n}");
        for k in 2..(n - 2) {
            let d = (ref_probs[k] - pcm_probs[k]).abs();
            assert!(
                d < 0.05,
                "frame {k}: 直接16kと変換経路の確率差が大きい: {d} (ref={} pcm={})",
                ref_probs[k],
                pcm_probs[k]
            );
        }
        // 既定設定では合成信号は無音扱い＝両経路とも発話イベントなし（等価）。
        assert_eq!(
            ref_events, pcm_events,
            "変換経路のイベント列が直接16kと一致しない"
        );
    }
}