34 lines
1.2 KiB
Markdown
34 lines
1.2 KiB
Markdown
---
|
||
title: "VoiceActivityDetection"
|
||
type: concept
|
||
tags: ["voice-ai", "audio-processing", "whisper"]
|
||
last_updated: 2026-05-02
|
||
---
|
||
|
||
# VoiceActivityDetection (VAD)
|
||
|
||
## Definition
|
||
|
||
Voice Activity Detection（语音活动检测）是识别音频流中人类语音片段的技术，用于跳过静音区域。在 Whisper 类转录模型管道中作为预处理阶段，显著减少需要处理的音频量，提高转录效率和成本效益。
|
||
|
||
## Key Properties
|
||
|
||
- **典型阈值**：`min_silence_duration_ms=500`（500ms 静音才触发跳过）
|
||
- **在 Whisper 中的角色**：`vad_filter=True` + `vad_parameters` 参数
|
||
- **效果**：减少 ~30-50% 的静音处理，提升 1.5-2x 吞吐量
|
||
- **误判风险**：音乐、背景语音、非语音音效可能被误判为静音
|
||
|
||
## Usage in Pipeline
|
||
|
||
```
|
||
原始音频 → VAD 过滤 → 非静音片段 → FasterWhisper 转录
|
||
```
|
||
|
||
## Related Concepts
|
||
- [[FasterWhisper]] — VAD 的主要消费方
|
||
- [[OverlapAwareChunking]] — VAD 之后对长音频的分块处理
|
||
- [[EBUR128LoudnessNormalization]] — VAD 之前的响度归一化（确保 VAD 阈值准确）
|
||
|
||
## Related Sources
|
||
- [[engineering-voice-ai-integration-engineer]]
|