返回资讯中心
外部精选
软件工程
#社区热议

Show HN:RealtimeVAD 用误报换取语音结束提前 110 毫秒

来源标题:Show HN: RealtimeVAD – trading false positives for 110ms earlier end-of-speech

开发者发布 RealtimeVAD,采用 10ms 能量检测器加自适应阈值,替代 silero 判断语音结束,在约 3200 轮日志基准测试中把语音结束检测提前约 110ms,修复安静语音问题后仍有约 100ms 优势。该方案会增加误报,但在其推测式生成流程中可快速中止,不影响使用。代码与基准脚本已公开。

Hacker Newskoljab2026/11/12 · 5 天前3 分钟阅读

这个来源的 RSS 只提供摘要,下面是原文导语;完整论述请点「打开原文」。

大家好。我最近看了我本地语音助手的延迟报告,报告里会显示波形以及 silero 给出的语音活动概率。我注意到 silero 在语音结束信号上存在肉眼可见的滞后。应该有一种方法能让这个信号更接近我认为的最优状态。我的想法是使用一个 10 毫秒的能量检测器,其阈值能根据环境噪声或房间噪声自适应调整。效果非常好。它带来了更多误报,但在我这个推测式生成流水线中这并不影响。如果判断错了、用户还在继续说话,我可以快速中止流水线。我在助手日志中约 3200 轮对话上对我的方案做了基准测试,最初结果大约快了 110 毫秒。后来为处理轻声说话做了一处修正,现在仍然是快了 100 毫秒。我已经把它公开了,感兴趣可以看看。如果你在自己的数据上做测量,我非常欢迎任何反馈。仓库里有一个基准测试脚本。感谢阅读,祝大家愉快。

本条为导读摘要,完整论述请以原文为准。

打开原文
去社区讨论 →