我们想知道在音频文件中何时开始发声。话语可以是整个句子，也可以很短，例如一个字。可能会有一些背景噪音（呼吸，吱吱作响，风扇等）。当前，我们正在使用一种简单的阈值方法（如果声音很大，则用户开始讲话），但有时如果声音足够大则失败。
我们一直在尝试使用webrtc-vad（hs，js），但它似乎给1 / True（“是声音”）答案的噪声与声音的频率相同。
在使用webrtc-vad的示例代码中，我看到它们经常在一个时间段内连续地或在mozilla's webrtcvad_js example code中查找1-answer序列，但是这样做似乎对我们没有多大帮助。测试照亮时不断写出答案，例如这里的第一个1是我说“ i”，第二个是我仔细地把我的咖啡杯放在桌子上：
00000000000000000001111111000000000000000000001111111100000000000000
序列的长度大致相同：(玩激进的玩法似乎只会使其变得更糟。
webrtc-vad根本不适合该任务吗？还是作为第一个过滤器仍然有用？也许第二个过滤器应该检查大多数声音是否在50–300 Hz范围内？ （我知道我可以通过完整的文本转语音管道发送它，并查看它是否能够将其转换为清晰易懂的内容，但这对于找出何时开始有人说话似乎有点过头了……” ）
答案 0 :(得分：1)
有更多使用机器学习的高级VAD，它们的性能会更好：
https://github.com/jtkim-kaist/VAD
我知道我可以通过完整的文本转语音管道发送它，并查看它是否能够将其转换为清晰易读的内容，但是对于仅仅找出某人何时开始说话似乎有些过分了
不是，这不是矫kill过正，这实际上是正确的做法，它还有助于识别器正确估计噪声，从而提高准确性。