语音活动检测：实现指南（2026）

语音活动检测（VAD）决定音频流的哪些部分包含语音，哪些是静音或噪声。它是转写和语音 Agent 的守门员：仅在语音段上运行昂贵的 ASR，并检测用户何时停止说话（“说话结束”），以便 Agent 可以响应。

为什么需要它

没有 VAD，你会转写静音、浪费 API 调用，并且无法判断说话者何时结束。有了它，你可以降低成本、减少延迟，并在语音 Agent 中实现自然的轮流说话。

实用选项

webrtcvad： 轻量、快速、经典的基于能量/GMM 的 VAD——非常适合在 ASR 之前进行分块。

Silero VAD： 一个小巧、准确的神经 VAD，处理噪声远优于基于能量的方法；现代默认选择。

python
pip install silero-vad torch torchaudio
from silero_vad import load_silero_vad, read_audio, get_speech_timestamps
model = load_silero_vad()
wav = read_audio("call.wav", sampling_rate=16000)
segments = get_speech_timestamps(wav, model, sampling_rate=16000)
segments = [{'start': 1280, 'end': 20480}, ...]  → 只将这些段送入 ASR

将 VAD 与转写结合使用

标准管线：VAD → 分段 → ASR。将音频切片成语音段，然后将每个段发送给 Whisper 或流式 ASR。这避免了转写无声部分并提高了准确性。关于 ASR 步骤，请参阅多语言 ASR和OpenAI Whisper API。

为实时 Agent 调优

说话结束检测： 在 N 毫秒的尾部静音后触发响应（例如 500–800ms）。太短会打断用户；太长会感觉延迟。

激进程度： webrtcvad 有模式 0–3；越高拒绝更多非语音，但可能截断轻柔语音。

前后填充： 在每个段前后添加少量音频，以便 ASR 不会截断单词边缘。

FAQ

webrtcvad 还是 Silero？ 噪声环境下选 Silero 以获得准确性；需要极小且超快时选 webrtcvad。 VAD 会转写吗？ 不会——它只标记语音区域；ASR 负责转写。 如何检测说话结束？ 在调优的尾部静音窗口后触发。 为什么要填充段？ 避免在 ASR 前截断首尾单词。

总结

VAD 是任何语音管线中廉价且高杠杆的前端：使用 Silero（或 webrtcvad）检测语音，只将语音送入 ASR，并调优尾部静音阈值以实现自然的轮流说话。它降低成本、减少延迟，同时提高转写质量。

---

*最后更新：2026 年 6 月。请对照 Silero VAD / webrtcvad 文档验证 API。*