使用 sox 进行语音检测和流式传输

Question

目前，我是这样使用 sox 的：

sox -d -e u-law --endian little -b 8 -c 1 -r 8000 -t ul - silence 1 0.3 1% 1 0.3 1%

作为参考，这是从默认麦克风录制音频并以 8 位和 8k 速率输出 little endian、ulaw 格式的音频。效果过滤器会修剪音频，直到噪音达到阈值 0.3 秒，然后继续录制，直到有 0.3 秒的静音。所有这些流到标准输出，我用它流到远程服务器。

我正在使用所有这些来录制一些声音，并在我说完后结束。为了触发 sox，我使用专门的硬件来触发录制的开始。只要支持即时格式化/编码，我就可以切换到使用几乎任何音频格式或编解码器。我的目标平台是 raspberry pi 2 B 上的 raspbian。

我理想的解决方案是在用户说完后使用 vad 停止录音。我希望这即使在背景聊天的情况下也能奏效。但是，关于 vad 效果的 sox 文档指出：

推荐使用规范效果，但请记住，两者都不是 reverse nor norm 适合与流式音频一起使用。

我无法将参数拼凑在一起以使 vad 和流式传输正常工作。是否可以使用 vad 效果来停止音频的录制，同时仍然保持 stdin->sox->stdout 管道？有更好的选择吗？

Answer 1

是否可以使用 vad 效果来停止音频的录制，同时仍然保持 stdin->sox->stdout 管道？

没有。 vad 效果只能从音频的前面修剪静音。所以你只能用它来检测录制开始，而不是结束和暂停。

reverse 和 norm 过滤器需要所有输入数据才能在输出上生成任何数据，这就是为什么它们不能用于流式传输。

关键是为silence过滤器选择一个好的阈值，以便将“背景喋喋不休”视为静音。

您也可以在silence 之前使用noisered（使用基于先前录音的配置文件）来减少触发录音的噪音，但这也会影响输出，并且可能不会将“背景喋喋不休”视为噪音。