对来自 Websocket 流式传输的 VOIP 的实时音频使用 WebRTC 语音活动检测器 (VAD)答案

【问题标题】：Use WebRTC Voice Activity Detector (VAD) on live audio coming from VOIP streamed by Websockets对来自 Websocket 流式传输的 VOIP 的实时音频使用 WebRTC 语音活动检测器 (VAD)
【发布时间】：2021-06-09 01:56:33
【问题描述】：

我正在尝试为通过 websocket 流式传输的 VOIP 呼叫设置 WebRTC 语音活动检测器 (VAD)，以检测呼叫者何时停止通话。

大多数关于 WebRTC VAD 的教程和问题都是基于录制的音频文件，而不是实时流。我想知道如何在实时流式传输 VOIP 呼叫的 websocket 上实现它。

根据 py-webrtcvad 文档 (https://pypi.org/project/webrtcvad/)：

给它一小段（“帧”）的音频。 WebRTC VAD 仅接受 16 位单声道 PCM 音频，采样频率为 8000、16000 或 32000 Hz。帧的持续时间必须为 10、20 或 30 毫秒

如何将来自 websocket 的原始音频流转换为 WebRTC VAD 工作所需的上述要求？

【问题讨论】：

来自 websocket 的原始音频的采样率、比特深度和通道数是多少？来自 websocket 的块有多大？

标签： python websocket webrtc voip live-streaming

【解决方案1】：

要使用 VAD，您需要正确的块大小。 https://github.com/wiseman/py-webrtcvad/issues/30

- For example, if your sample rate is 16000 Hz, then the only allowed 
frame/chunk sizes are: 
    16000 * ({10,20,30} / 1000) = 160, 320 or 480 samples.
- Since each sample is 2 bytes (16 bits), the only allowed frame/chunk sizes are 
320, 640, or 960 bytes.

【讨论】：