我们想知道什么时候在音频文件中开始说话。话语可以是整个句子或非常短，例如一个字。可能存在一些背景噪音（呼吸，吱吱作响，风扇等）。目前我们正在使用一种简单的阈值方法（如果有相当高音量的声音，用户开始讲话），但有时候如果声音足够大则会失败。
我们一直在尝试使用webrtc-vad（hs，js），但它似乎给出了1 / True（“就是声音”）的答案，就像声音一样经常发出噪音。
在使用webrtc-vad的示例代码中，我看到他们经常在一行/一段时间内查找1个答案的序列，如mozilla's webrtcvad_js example code，但这样做似乎对我们没什么帮助。在测试时连续写出答案是有启发性的，例如：这里的第一个系列是来自我说“我”和第二个我小心翼翼地把咖啡杯放在桌子上：
00000000000000000001111111000000000000000000001111111100000000000000
序列的长度大致相同:(玩具侵略性似乎只会使它稍微恶化。
webrtc-vad根本不适合这项任务吗？或者它仍然可以用作第一个过滤器？也许第二个过滤器应检查大部分声音是否在50–300 Hz范围内？ （我知道我可以通过一个完整的文本到语音管道发送它，看看是否设法把它变成清晰可读的东西，但是当有人开始说话时，这似乎有点过分了......）
有更先进的VAD使用机器学习，它们会表现得更好：
https://github.com/jtkim-kaist/VAD
我知道我可以通过一个完整的文本到语音管道发送它，看看是否设法把它变成清晰可读的东西，但这似乎有点过分，只是找出有人开始说话的时候
不，它不是矫枉过正，它实际上是正确的做法，它还有助于识别器正确估计噪声，从而提供更高的准确性。