任何简单的 VAD 实现？答案

【问题标题】：Any simple VAD implementation?任何简单的 VAD 实现？
【发布时间】：2011-07-19 00:59:59
【问题描述】：

我正在寻找一些用于 VAD（语音活动检测）的 C/C++ 代码。

基本上，我的应用程序正在从设备中读取 PCM 帧。我想知道用户何时说话。我不是在寻找任何语音识别算法，而只是用于语音检测。

我想知道用户何时说话以及何时结束：

bool isVAD(short* pcm,size_t count);

【问题讨论】：

标签： iphone c++ c audio voice

【解决方案1】：

Sphinx 和 Freeswitch 项目中有开源实现。我认为它们都是基于能量的探测器，不需要任何类型的模型。

Sphinx 4（Java 但应该很容易移植到 C/C++）

PocketSphinx

Freeswitch

【讨论】：

感谢您的链接，Freeswitch 对我来说似乎是更好的方法 (C)，但它似乎仍然与更复杂的框架相关联。我找到了一个似乎更简单的 python 实现 (github.com/shriphani/Listener/blob/master/VAD.py)，但由于我的 python 技能低于平均水平，我仍在寻找 C/C++ 实现。

【解决方案2】：

LibVAD 怎么样？ www.libvad.com

看起来和你描述的完全一样。

披露：我是 LibVAD 背后的开发者

【讨论】：

Charles，我已经尝试与您取得联系，但到目前为止没有成功。
@Charles www.libvad.com 网站长期宕机？

【解决方案3】：

Google 的开源 WebRTC 代码有一个用 C 语言编写的 VAD 模块。它使用高斯混合模型 (GMM)，它通常比简单的能量阈值检测器更有效，尤其是在动态级别的情况下和背景噪音的类型。根据我的经验，它也比 Gilad 在their comment 中提到的 Moattar-Homayounpour VAD 更有效。

VAD 代码是更大的 WebRTC 存储库的一部分，但很容易将其拉出并自行编译。例如。 webrtcvad Python wrapper includes just the VAD C source。

WebRTC VAD API 非常易于使用。首先，音频必须是单声道 16 位 PCM，具有 8 KHz、16 KHz 或 32 KHz 采样率。您发送到 VAD 的每一帧音频的长度必须为 10、20 或 30 毫秒。

下面是假设audio_frame 是 16000 Hz 时 10 毫秒（320 字节）音频的示例大纲：

#include "webrtc/common_audio/vad/include/webrtc_vad.h"
// ...
VadInst *vad;
WebRtcVad_Create(&vad);
WebRtcVad_Init(vad);
int is_voiced = WebRtcVad_Process(vad, 16000, audio_frame, 160);

【讨论】：

我将它移植到iOS，但我不知道为什么我放了任何东西（不同的音频，有很多背景和声音），它会返回1。
我的问题解决了，原来这段代码只适用于little-endian LPCM，改成这样就可以了！谢谢。
@Tinyfool 你有没有把你的 iOS 移植到任何地方？
WebRTC VAD 旨在检测真实声音，但有时需要时间/示例来适应。试着先和它说话，然后放下一本书，看看它是否将掉落的噪音归类为声音。
嗨，John，我正在从以下位置添加 webRTC VAD 模块：- github.com/wiseman/py-webrtcvad。现在，我在现有应用程序中遇到了编译问题。我在 Objective-c 中使用 iOS 12+ 我的应用程序。请提出您是否为 iOS 编写的任何示例代码。