树莓派基于语音活性检测VAD的应用

关注

VIP免费原创最新推荐文章于 2026-05-29 15:55:12 发布 955 阅读 AI 写同款· GEO 优化 ›

智能语音测试简述语音VAD的全称是Voice Activity Detection，即语音活性检测或语音活动检测，也称为speech activity detection或speech detection。这是一项用于语音处理的技术，主要目的是检测语音信号是否存在。VAD系统通常包括特征提取和语音/非语音判决两个主要部分。在特征提取阶段，常用的方法包括基于能量的检测、倒谱特征等。基于能量的检测是通过检测信号的强度来判断是否有语音存在，假设语音能量大于背景噪声能量。当能量大于某一门限时，可以认为有语音存在。阅读详情

如果你想尝试用树莓派打造一款语音对话机器人，那么你肯定避免不了一点，录音！

前言：

我之前的文章中提到过alsa的arecord录制，录音时间固定，当程序运行一次后就会出现arecord资源被占用的情况，除非你把这个进程kill掉。然后事实上，你不可能每次运行完就手动kill一次，那样太麻烦了。
后来我用pyaudio，完美解决了上述的问题。直到今天，我遇到了语音活性检测VAD···

科普来了~
语音活性检测 (Voice activity detection，VAD), 也称为 speech activity detection or speech detection, 是一项用于语音处理的技术，目的是检测语音信号是否存在。VAD技术主要用于语音编码和语音识别。
在本篇文章中用到的是WebRTC之VAD算法。
其主要功能：

自动打断
去掉语音中的静音成分
获取输入语音中有效语音
去除噪声，对语音进行增强

# coding=utf-8
import webrtcvad   # 检测判断一组语音数据是否为空语音；
import collections
import sys
import signal
import pyaudio    # 从设备节点读取原始音频流数据，音频编码是PCM格式
 
from array import array
from struct import pack
import wave
import time
import os
 
 
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000
CHUNK_DURATION_MS = 30       # //检验音频帧长度，只支持10/20/30ms
PADDING_DURATION_MS = 1500   # 1 sec jugement
CHUNK_SIZE = int(RATE * CHUNK_DURATION_MS / 1000)  # chunk to read
CHUNK_BYTES = CHUNK_SIZE * 2  # 16bit = 2 bytes, PCM
NUM_PADDING_CHUNKS = int(PADDING_DURATION_MS / CHUNK_DURATION_MS)
NUM_WINDOW_CHUNKS = int(240 / CHUNK_DURATION_MS)
# NUM_WINDOW_CHUNKS = int(400 / CHUNK_DURATION_MS)  # 400 ms/ 30ms  ge
NUM_WINDOW_CHUNKS_END = NUM_WINDOW_CHUNKS * 2
 
 
def handle_int(sig, chunk):
    global leave, got_a_sentence
    leave = True
    got_a_sentence = True
 
 
def record_to_file(path, data, sample_width):
    "Records from the microphone and outputs the resulting data to 'path'"
    # sample_width, data = record()
    data = pack('<' + ('h' * len(data)), *