VAD（语音端点检测）

简介

VAD 是用于检测音频中有无语音信号的模块。

AIVoice 提供了一个基于神经网络的 VAD 算法，可以用于语音增强、识别等语音系统中。

配置

VAD 可配参数

sensitivity:

提供预先调好阈值的三档灵敏度，灵敏度越高，越容易检测到语音，但误报也越多。

left_margin:

添加到语音段开头的时间边距，使起始点早于原始的预测点。该值仅影响 VAD 输出的 offset_ms，不会影响状态 1 的事件触发时间。

right_margin:

添加到语音段结尾的时间边距，使结尾点晚于原始的预测点。该值同时影响 VAD 输出的 offset_ms 和状态 0 的事件触发时间。

详情请参考 ${aivoice_lib_dir}/include/aivoice_vad_config.h。

备注

left_margin 参数仅影响 VAD 返回的 offset_ms 数值, 无法影响 VAD 状态的改变时间。如果需要保留 left_margin 区间内的音频，请在外部通过音频缓存实现。

参数调整建议

left_margin 调整建议

left_margin 越大，截取区间往左边扩得越多，音频起点附近包含的信息越丰富，可以减少起点处语音截取不全的情况，但 left_margin 设置较大也容易引入噪声（包含背景噪声或者是前面说的无关语音），且需要预留更大的缓存空间。

情况一：适当增加 left_margin，可以减少前段语音被裁剪的情况

情况二：过度增加 left_margin，可能引入无关语音

right_margin 调整建议

right_margin 越大，截取区间往右边扩得越多，音频尾点附近包含的信息越丰富，可以减少尾点处语音截取不全的情况，但 right_margin 设置较大也容易引入噪声（包含背景噪声或者是后面说的无关语音），且会增加延迟。

情况一：适当增加 right_margin，可以减少尾段语音被裁剪的情况

情况二：过度增加 right_margin，可能引入无关噪声

情况三：长句场景，增加 right_margin 可以减少语音长句由于停顿被切分的情况

一般情况下， left_margin 和 right_margin 不宜过大，调整到可覆盖大部分语音区间即可。对于长句对话场景， right_margin 应调大一些，以防止算法在用户说话中间停顿时过早结束区间截取，但增大 right_margin 也会增加延迟，因此需要针对实际情况做出合理的调整。