Voice Activity Detection：用 Python 检测人声

做语音应用，第一个该解决的不是「识别说了什么」，而是「这段音频里到底有没有人在说话」。这就是 VAD（Voice Activity Detection，语音活动检测）干的事。

为什么重要？因为把静音和噪声段也丢给语音识别（ASR），既费钱又费时还容易出错。 VAD 先把人声段切出来，后面才高效。

它解决什么

一段录音里通常混着：人说话、停顿静音、背景噪声。VAD 的任务是给每一小段打标签——「这是语音」还是「这不是语音」。

典型用途：

实时语音助手：检测到用户开始说话才唤醒、说完了才提交识别。

降低 ASR 成本：只把人声段送去识别，静音不送。

语音分段：长录音按说话/停顿切成片段。

方案一：webrtcvad（轻量、快）

Google WebRTC 项目里的 VAD，极轻量，纯靠信号特征判断，不用模型，速度飞快。

python
import webrtcvad
vad = webrtcvad.Vad(2)  # 0-3，数字越大越激进（越容易判为非语音）
音频需是 16kHz/8kHz、16-bit 单声道，按 10/20/30ms 分帧
is_speech = vad.is_speech(frame_bytes, sample_rate=16000)

优点：快、零依赖模型、适合实时和资源受限场景。 缺点：吵的环境里容易误判——它分不清「人声」和「像人声的噪声」。

方案二：Silero VAD（准、抗噪）

基于神经网络的 VAD，准确率明显更高，尤其抗噪声。模型也很小，CPU 上就能实时跑。

python
import torch
model, utils = torch.hub.load('snakers4/silero-vad', 'silero_vad')
(get_speech_timestamps, _, read_audio, _, _) = utils
wav = read_audio('audio.wav', sampling_rate=16000)
speech_ts = get_speech_timestamps(wav, model, sampling_rate=16000)
speech_ts: [{'start': 12000, 'end': 35000}, ...] 人声段的采样点区间

优点：准、抗噪、多语言通用、还轻。 缺点：比 webrtcvad 重一点（要加载模型），但绝大多数场景这点开销值得。

怎么选

场景推荐

资源极受限 / 嵌入式webrtcvad 环境安静、要极致快webrtcvad 有噪声 / 要准Silero VAD 大多数应用Silero VAD

实话说，除非你跑在很弱的设备上，默认选 Silero VAD，省心又准。

实战中的坑

采样率和格式要对。 webrtcvad 对输入格式很挑（16/8kHz、16-bit、单声道、固定帧长），不对就报错或乱判。先把音频转成它要的格式。

别指望 VAD 解决一切。 强噪声、多人同时说话这些复杂场景，VAD 也会犯错。它是「第一道粗筛」，不是完美分离器。

加一点缓冲。 人声段前后留一点余量（padding），别把刚要说的第一个字或尾音切掉了。

接下来

VAD 切出人声段后，下一步就是送去 ASR 做识别。如果要做多语种识别，可以接着看 多语种语音识别，或用 OpenAI Whisper API。

小结

VAD 是语音流水线里最容易被跳过、又最不该跳过的一环。做好它，后面的识别又快又省。新项目无脑选 Silero VAD 起步基本不会错。