想象你是一位咖啡店老板，正手忙脚乱地做三杯拉花。店里飘着轻音乐，磨豆机轰隆隆，邻桌客人叽叽喳喳，突然门被风带上“砰”的一声——你会回头看吗？当然不会。可如果是一位顾客走到台前说“你好，我要一杯美式”，你一定会立刻抬头。这中间其实有一个隐形门卫在帮你做判断：判断“这个声音是不是有人在说话”。这个门卫在语音系统里叫做语音活动检测（VAD）。 VAD 是语音识别（ASR）和语音通信前的看门人：它不关心你说什么，只关心你有没有开口。它把连续的音频切成一小段一小段，每一帧打个标签——“有人声”或“没人声”。老派门卫靠音量大小和声音变化的快慢来分辨；现代门卫则用神经网络，像 WebRTC VAD 和 Silero VAD，哪怕在嘈杂咖啡馆里也能精准听出“有人真要开口了”。

岗位关联

掌握 VAD，你就能为语音系统装上“注意力大门”：让 ASR 只听见该听的人声，节省算力、减少误唤醒。理解它，是语音从业者的基本功。

目录
  1. 可视化演示
  2. VAD 任务定义：门卫只问你开没开口
  3. 传统检测方法：靠响度和节奏感的老门卫
  4. 深度学习VAD：见多识广的神经网络门卫
  5. 性能评价指标：怎么给门卫打分
  6. 系统集成实践：门卫不是一个人在战斗
  7. 参数调优指南：旋转门卫的灵敏度旋钮
  8. 应用前景展望：门卫也在进化
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

VAD 任务定义：门卫只问你开没开口

想象你是一家咖啡店老板，正同时处理三杯拉花。音乐、磨豆机和邻桌交谈交织成背景噪音。若有人碰倒杯子、门被风吹动你都抬头，一天下来什么正事也做不了。于是你请了位门卫——他只在顾客真正开口点单时提醒你。这个门卫就是 VAD（Voice Activity Detection，语音活动检测）。

VAD 不负责听懂说话的内容，它的世界只有两类：“有人声”和“没人声”。它把连续音频切成 10~30 毫秒的小帧，对每一帧打一个标签。这个标签告诉后续的 ASR 系统：这一段值得识别，那一段可以直接跳过。放在语音通信里，这个标签还能决定静音段要不要发送数据包。

在数学上，VAD 是对一帧音频做二分类。它不关心语义，只输出一个概率或类别。一个简化模型可以写成：

换句话说，门卫不会告诉你客人点了什么，但会告诉你“有人开口了”。这让 ASR 可以把算力花在真正值得听的地方，而不是对着一整天的空调声发呆。

fVAD(xframe)={语音,P(人声∣xframe)>θ非语音,其他情况f_{\text{VAD}}(x_{\text{frame}}) = \begin{cases} \text{语音}, & P(\text{人声} \mid x_{\text{frame}}) > \theta \\ \text{非语音}, & \text{其他情况} \end{cases}
  1. 音频帧\(x_{\text{frame}}\) 表示一帧原始音频样本，通常是 20ms 左右的一段声音。
    xframex_{\text{frame}}
  2. 人声概率\(P(\text{人声} \mid x_{\text{frame}})\) 是模型判断这帧“有人正在说话”的置信度。
    P(人声∣xframe)P(\text{人声} \mid x_{\text{frame}})
  3. 阈值\(\theta\) 是门卫的灵敏度旋钮，概率超过它才放行。
    θ\theta
  4. 二分类输出输出“语音”或“非语音”，只给方向，不给内容。
    语音 或 非语音\text{语音} \ \text{或} \ \text{非语音}

传统检测方法：靠响度和节奏感的老门卫

如果门卫没有受过专业训练，他只能靠两个朴素线索：声音大不大、声音“跳不跳”。人说话时通常比安静环境更响，这就是短时能量；语音波形会频繁穿越零刻度，这就是过零率。在安静的办公室里，这套方法已经够用。

短时能量把一帧内所有采样点平方后求和，再乘上滑动的窗函数，得到这一小段声音的“响度包络”。过零率统计波形符号正负交替的次数，能粗略反映声音的频率特性：人声和清音往往有较高的过零率，而低频轰鸣声过零率偏低。特征计算如下：

当环境变嘈杂，老门卫会犯迷糊：磨豆机的低频轰鸣能量很大，金属勺碰撞会产生大量过零率尖峰。固定阈值要么把噪声当成人声放进来，要么把真正的小声说话拦在门外。这就是传统方法在低信噪比环境下的天然短板。

En=∑mx2(m) w(n−m),Zn=12∑m∣sgn(x(m))−sgn(x(m−1))∣ w(n−m)E_n = \sum_m x^2(m)\, w(n-m), \qquad Z_n = \frac{1}{2}\sum_m \left|\mathrm{sgn}(x(m))-\mathrm{sgn}(x(m-1))\right|\, w(n-m)
  1. 短时能量\(E_n\) 把窗内采样点的平方加总，衡量这段音频有多响。
    En=∑mx2(m) w(n−m)E_n = \sum_m x^2(m)\, w(n-m)
  2. 窗函数\(w(n-m)\) 让能量只看“当前这一小段”，而不是从音频开始累计。
    w(n−m)w(n-m)
  3. 过零率\(Z_n\) 统计波形符号变化的次数，声音变化越频繁，值越大。
    Zn=12∑m∣sgn(x(m))−sgn(x(m−1))∣Z_n = \frac{1}{2}\sum_m \left|\mathrm{sgn}(x(m))-\mathrm{sgn}(x(m-1))\right|
  4. 符号函数\(\mathrm{sgn}(\cdot)\) 输出 \(+1\) 或 \(-1\)，用来判断采样点正负。
    sgn(x(m))\mathrm{sgn}(x(m))

深度学习VAD：见多识广的神经网络门卫

既然靠响度和节奏感不够，那就换一位“实习过”的门卫。这位门卫在成千上万个嘈杂咖啡馆、地铁站、马路边听过声音，他的耳朵是一个神经网络：不需要手工设计特征，模型自己学会“这种声音起伏像人声”。

深度学习 VAD 通常把音频帧转成声学特征，例如 log-mel 频谱，再送入神经网络，最后输出一个“这是人声”的概率。WebRTC VAD 是浏览器里常见的轻量方案；Silero VAD 则是开源社区里很受欢迎的神经网络模型，模型体积小，支持流式处理，在低信噪比环境下也有不错表现。

一个典型的神经网络输出概率可以写成：

这位门卫经历过深夜酒吧、地铁报站、火锅店碰杯，所以哪怕背景噪声很大，他也能从声音的“纹理”里找到人声的痕迹。这就是深度学习方法在低信噪比下依然保持高准确率的原因。

P(语音∣X)=σ(W⋅h+b)P(\text{语音} \mid \mathbf{X}) = \sigma(\mathbf{W} \cdot \mathbf{h} + b)
  1. 输入特征\(\mathbf{X}\) 是模型看到的声音“画面”，例如一帧 log-mel 频谱。
    X\mathbf{X}
  2. 隐藏表示\(\mathbf{h}\) 是神经网络中间层提取出的声音指纹，已经压缩了“像不像人声”的信息。
    h\mathbf{h}
  3. 权重和偏置\(\mathbf{W}\) 和 \(b\) 是训练得到的参数，相当于门卫积累的经验。
    W⋅h+b\mathbf{W} \cdot \mathbf{h} + b
  4. Sigmoid 函数\(\sigma(\cdot)\) 把任意实数压到 0 到 1 之间，变成概率。
    σ(z)=11+e−z\sigma(z) = \frac{1}{1 + e^{-z}}

性能评价指标：怎么给门卫打分

怎么判断一位门卫是否称职？要看他四种情况各发生多少次：人声来了他开门（真正例 TP），没人声他安静（真负例 TN），人声来了他没开（假负例 FN），没人声他乱开门（假正例 FP）。VAD 的性能，本质上就是这四笔账怎么算。

在语音识别场景里，最怕的是漏掉人声，所以召回率很关键；同时又要保证整体判断别太离谱，所以准确率也重要。定义如下：

一位总是拍你的门卫，召回率很高，但准确率很低，因为你会被噪声反复打扰；一位从不拍你的门卫，准确率可能很高，但会漏掉真正的订单。所以调 VAD 时，先想清楚你更怕漏掉人声，还是更怕误报噪音。

Recall=TPTP+FN,Accuracy=TP+TNTP+TN+FP+FN\text{Recall} = \frac{TP}{TP + FN},\qquad \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
  1. 真正例\(TP\) 是“有人说话且门卫放行”的次数，这是正确检测。
    TPTP
  2. 假负例\(FN\) 是“有人说话但门卫漏掉”的次数，最关键的错误。
    FNFN
  3. 召回率\(\frac{TP}{TP+FN}\) 表示“真正的人声里有多少被找回来”。
    Recall=TPTP+FN\text{Recall} = \frac{TP}{TP + FN}
  4. 准确率四个格子一起参与计算，衡量整体判断正确的比例。
    Accuracy=TP+TNTP+TN+FP+FN\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}

系统集成实践：门卫不是一个人在战斗

门卫再厉害，也要有建筑、对讲机和管理制度。VAD 在真实系统里同样不是孤立的：它通常放在 ASR 之前，或者放在语音通信的上行链路里。只有被 VAD 判定为“语音帧”的音频才会被送入识别器，静音帧则在门口被拦下。

从系统流程看，VAD 像一个闸门，把音频流切成两段。被放行的帧合起来才构成“有效语音”，再交给 ASR：

工程上还要把它和降噪、回声消除、自动增益控制放在一起：先处理干净些，VAD 判断才更稳。移动端部署时，VAD 本身要轻量，不能为省算力反而消耗更多 CPU。门卫虽然重要，但他得和保安、前台配合好，才能让整栋楼正常运转。

S=⋃t:VAD(xt)=1xt,y^=ASR(S)\mathcal{S} = \bigcup_{t: \text{VAD}(x_t)=1} x_t, \qquad \hat{y} = \text{ASR}(\mathcal{S})
  1. 语音帧集合\(\mathcal{S}\) 是被门卫放行的所有帧拼起来的声音片段。
    S=⋃t:VAD(xt)=1xt\mathcal{S} = \bigcup_{t: \text{VAD}(x_t)=1} x_t
  2. 帧索引\(t\) 是时间轴上的第几帧，\(\text{VAD}(x_t)=1\) 表示这帧被判定为人声。
    t:VAD(xt)=1t: \text{VAD}(x_t)=1
  3. 识别输出\(\hat{y}\) 是 ASR 只在有效语音上产出的文字结果。
    y^=ASR(S)\hat{y} = \text{ASR}(\mathcal{S})

参数调优指南：旋转门卫的灵敏度旋钮

同一个门卫，把灵敏度旋钮拧到不同位置，行为会完全不同。拧得太高，一阵风他都拍你，误报满天飞；拧得太低，顾客小声点单他也听不见，漏掉生意。VAD 的阈值参数就承担了这枚旋钮的作用。

调参的本质，是给“漏检”和“误检”分别定价。如果漏掉一句关键命令的代价很高，就应该让漏检的权重更大；如果误报会把服务器打爆，就要让误检的权重更大。可以形式化为一个代价函数：

在 WebRTC VAD 里，有“激进程度”一类的模式参数；Silero VAD 则可以直接调概率阈值。无论哪种，都要用一批和目标场景接近的音频做测试，而不是凭感觉拍脑袋。门卫的灵敏度，最终要由你咖啡馆的客流量和噪音水平说了算。

Cost=FN×Cmiss+FP×Cfalse\text{Cost} = FN \times C_{\text{miss}} + FP \times C_{\text{false}}
  1. 漏检数\(FN\) 是有人声但没检测到的帧数，\(C_{\text{miss}}\) 是每次漏检的代价。
    FN×CmissFN \times C_{\text{miss}}
  2. 误检数\(FP\) 是没人声却判成人声的帧数，\(C_{\text{false}}\) 是每次误报的代价。
    FP×CfalseFP \times C_{\text{false}}
  3. 总代价两者相加，调参就是找总代价最小的阈值。
    Cost=FN×Cmiss+FP×Cfalse\text{Cost} = FN \times C_{\text{miss}} + FP \times C_{\text{false}}

应用前景展望：门卫也在进化

未来这位门卫会越来越聪明。他不仅能听，还可能拥有“眼睛”——看看嘴形是否在动；他也可以认得特定人的声音，变成“个性化门卫”，只对家人的声音放行。这些都不改变核心任务：判断有没有人在说话。

在技术趋势上，VAD 正从“独立前置模块”走向“端到端模型内部的一个能力”。不过即便端到端系统流行，显式的 VAD 仍然在低功耗唤醒、会议纪要切分、通信带宽节省中不可替代。实时系统里，延迟预算依然关键：

门卫还会被塞进耳机、眼镜、智能手表这些更小的“岗亭”里。无论形态怎么变，他的使命始终如一：在吵吵嚷嚷的世界里，精准地回答那句老话——“刚才是有人在说话吗？”

Lend=LVAD+LASR,LVAD≤50 msL_{\text{end}} = L_{\text{VAD}} + L_{\text{ASR}}, \qquad L_{\text{VAD}} \le 50\ \text{ms}
  1. 总延迟\(L_{\text{end}}\) 是用户从开口到看到结果的端到端延迟。
    Lend=LVAD+LASRL_{\text{end}} = L_{\text{VAD}} + L_{\text{ASR}}
  2. VAD 延迟\(L_{\text{VAD}}\) 是门卫从听到声音到放行的时间，要求足够小。
    LVAD≤50 msL_{\text{VAD}} \le 50\ \text{ms}
  3. ASR 延迟\(L_{\text{ASR}}\) 是识别器处理这段语音的时间。
    LASRL_{\text{ASR}}

AI 应用场景

智能音箱的“有人说话吗”前置判断

阶段：前端音频处理 / 唤醒前过滤

解决的问题：智能音箱通常要 7×24 小时监听麦克风。如果每一帧音频都送去云端做识别，功耗、带宽和隐私压力都很大。传统方案是持续唤醒检测，但唤醒模型也不敢开得太猛。VAD 先在本地当门卫，只有确认“有人声”后才启动后续识别链路，空房间里的空调声、电视声都会被挡在门外。

具体案例：某智能音箱产品在端侧集成 Silero VAD，以 10ms 为步长做流式判断。白天客厅没人说话时，识别主进程几乎保持休眠，整体待机功耗明显下降；用户喊“小爱同学”时，VAD 先放行，再交给唤醒词和 ASR 模块。

视频会议里的静音包守门员

阶段：实时语音通信门控

解决的问题：会议室里有人不说话时，麦克风仍会采集空调声、键盘声和翻纸声。如果不加区分地全部上传，既浪费带宽，又让远端参会者听到一堆噪声。VAD 在上行链路做门控：只有检测到说话人声音的帧才打包发送，静音帧则本地抑制或只发送极小的舒适噪声参数。

具体案例：在一套实时音视频 SDK 中，接入 WebRTC VAD 后，单人发言场景的上行码率在静默时段降低约 60%，参会者的听感也干净了很多；当多人抢话时，VAD 能快速切换门控目标，减少声音忽大忽小的问题。

会议录音转写的“剪片师”

阶段：离线/在线转写预处理

解决的问题：会议录音里除了人声，还有投影仪风扇、茶杯碰撞和咳嗽声。直接把这些音频全量送进 ASR，会产生大量冗余计算，还可能把噪声转写成不存在的话。VAD 先把录音切成“有人说话”和“没人说话”的段落，转写引擎只处理有效段落，并为每段加上时间戳。

具体案例：自动会议纪要工具用 VAD 对整场录音分段后，再调用 ASR。实践中发现，过滤掉非语音段后，识别结果的插入错误率明显下降，同时文字稿能自动跳过“这段没人说话”的空档，方便后续摘要和回放定位。

Python 演示

python59 行
import math  class EnergyVAD:    def __init__(self, threshold=0.02, sample_rate=16000, frame_ms=20):        self.threshold = threshold        self.sample_rate = sample_rate        self.frame_size = int(sample_rate * frame_ms / 1000)     def energy(self, samples):        if not samples:            return 0.0        return sum(s * s for s in samples) / len(samples)     def analyze(self, pcm_samples):        frames = []        step = self.frame_size        for pos in range(0, max(1, len(pcm_samples) - step + 1), step):            frame = pcm_samples[pos:pos + step]            e = self.energy(frame)            frames.append({                'start': pos,                'end': pos + len(frame),                'energy': e,                'speech': e > self.threshold            })        return frames  def build_signal():    sr = 16000    total = int(sr * 2.0)    signal = []    for i in range(total):        t = i / sr        if 0.5 < t < 1.0:            voice = 0.5 * math.sin(2 * math.pi * 180 * t) + 0.2 * math.sin(2 * math.pi * 2200 * t)        else:            voice = 0.0        noise = 0.06 * math.sin(2 * math.pi * 60 * t) + 0.03 * math.sin(2 * math.pi * 350 * t)        signal.append(voice + noise)    return signal  def main():    vad = EnergyVAD(threshold=0.015)    samples = build_signal()    result = vad.analyze(samples)    speech_count = sum(f['speech'] for f in result)    print('total frames:', len(result))    print('speech frames:', speech_count)    print('speech ratio: %.2f' % (speech_count / len(result)))    for i, f in enumerate(result):        if i < 5 or f['speech']:            print(i, f['start'], f['end'], round(f['energy'], 5), f['speech'])  if __name__ == '__main__':    main()
目的：实现了一个最简单的能量型 VAD，用合成信号演示“门卫如何只放行人声帧”。
  1. frame_size = int(sample_rate * frame_ms / 1000)把时间窗换算成采样点个数，决定门卫每脚踏多宽。
  2. return sum(s * s for s in samples) / len(samples)计算这一帧的平均能量，对应“音量大小”。
  3. for pos in range(0, max(1, len(pcm_samples) - step + 1), step)以帧长步进滑窗，检查整段音频每一扇门。
  4. 'speech': e > self.threshold门卫决策：能量高于阈值就放行。
  5. voice = 0.5 * math.sin(...) + 0.2 * math.sin(...)模拟两声部人声。
  6. noise = 0.06 * math.sin(...) + 0.03 * math.sin(...)模拟低频背景噪声。
  7. speech_count = sum(f['speech'] for f in result)统计被放行的语音帧总数。

常见误区

误区我原以为 VAD 检测到人声后就能自动把音乐、空调声都去掉，是语音增强流程里的降噪模块。

正解VAD 只回答“这一帧有没有人声”，不做音频过滤；降噪靠谱减法、维纳滤波或神经网络增强等模块完成。VAD 可以给降噪提供门控信号，比如检测到人声时才更新噪声谱，但它本身不是降噪器。就像门卫只通知你“有人来了”，不会帮你扫地。

为何常见：因为 VAD 常常和降噪一起出现在语音增强流程里，位置靠前，容易让人以为它负责清除噪声。

误区我觉得阈值设得越高，判成人声的门槛就越高，错误自然越少，所以应该尽量调高阈值。

正解高阈值会减少误检，但会漏掉轻声、远场和带噪的语音。VAD 的阈值本质是“灵敏度旋钮”：调高更保守，调低更敏感。最好用测试集综合看召回率和误报率，而不是只看单个值。门卫太严格，会把小声说话的好顾客也拦在门外。

为何常见：因为“更严格=更准确”符合直觉，但分类问题里漏检和误检往往是跷跷板。

误区我以为 WebRTC VAD 和 Silero VAD 只是同一个模型在不同平台上的封装，随便选一个就行。

正解两者底层模型不同：WebRTC VAD 早期基于高斯混合模型等统计特征，模型很小；Silero VAD 是基于深度神经网络并针对真实噪声训练，在不同噪声和采样率下通常更鲁棒。选型要看场景、算力和延迟需求。WebRTC 是浏览器自带的门卫，Silero 是受过特殊训练的门卫，工作方式并不一样。

为何常见：因为两者都是开箱即用的开源 VAD，文档里都写着“检测语音活动”，容易让人觉得是同质替代品。

误区我觉得只要 VAD 判断出语音后立刻把后续音频交给 ASR，整个句子就能完整识别，不会丢开头。

正解VAD 判断需要时间，语音的第一个音节可能已经在检测窗口里被当成“非语音”或尚未被处理。工程上常用“预卷缓存”（保留检测前 100~300ms 音频）和端点回溯，把语音起始点找回来。门卫从听到声音到拍你需要反应时间，你得让他先把刚才几秒的监控录像回放一遍。

为何常见：因为直觉上“门开了才进人”是通的，但检测总有一个短暂盲区。

面试题

Q1. 语音活动检测（VAD）的核心任务是什么？

单选题 · easy

  • A.把语音转换成文字
  • B.判断音频帧是否含人声← 正确答案
  • C.消除所有背景噪声
  • D.识别说话人身份

答案：B。VAD 只判断一段音频里有没有人声，不做转写、降噪或声纹识别。它像门卫只负责“有没有人开口”，不负责听清内容。

Q2. 传统 VAD 最常用的两个特征是什么？

单选题 · easy

  • A.梅尔频率倒谱和语速
  • B.短时能量和过零率← 正确答案
  • C.基频与共振峰参数
  • D.声道长度与音高

答案：B。传统方法用短时能量衡量响度，用过零率衡量波形穿越零轴的频率，计算简单。其余选项多用于语音识别或声纹分析，不是 VAD 的经典特征。

Q3. 在低信噪比环境下，传统 VAD 容易出现什么毛病？

单选题 · mid

  • A.计算速度突然变慢
  • B.噪声能量掩盖人声，阈值难分← 正确答案
  • C.无法输出二分类结果
  • D.必须依赖 GPU 才能运行

答案：B。低信噪比指噪声比人声还大，能量和过零率都被噪声污染，固定阈值很难分开两类。问题不在算法输出或算力，而在特征可分性太差。

Q4. 下列哪些属于深度学习 VAD 的优势？

多选题 · mid

  • A.在复杂噪声下准确率更高← 正确答案
  • B.完全不需要任何音频帧
  • C.模型可在低延迟下运行← 正确答案
  • D.可以直接取代麦克风硬件

答案：AC。深度学习 VAD 用大量噪声场景训练，鲁棒性更强；Silero 等模型也适合流式低延迟部署。但它依然需要音频帧输入，也不能取代采集信号的麦克风。

Q5. 为什么 ASR 前加上 VAD 能节省计算资源？

单选题 · mid

  • A.它把音频采样率降低了一半
  • B.它过滤非语音帧，减少识别工作量← 正确答案
  • C.它直接修改了声学模型参数
  • D.它将所有静音帧转化为文本

答案：B。ASR 只需要处理含语音的帧，VAD 把大片非语音帧拦在门外，让识别器不用空转。它不是降采样、不修改声学参数，也不会把静音变成文本。

Q6. 在实时语音通信中，VAD 门控最直接的好处是什么？

单选题 · hard

  • A.提高麦克风的采样率
  • B.减小静音包传输带宽← 正确答案
  • C.增强扬声器的音量
  • D.改变编码器的比特率

答案：B。通话时大量时间没人说话，VAD 门控不为静音帧发送语音包，节省上行带宽。它不是硬件增强，也不会直接改变编码器配置。

Q7. 关于 VAD 检测结果，下列说法哪些是错误的？

多选题 · mid

  • A.检测到语音后应丢弃全部缓冲数据← 正确答案
  • B.阈值越高漏检率越低← 正确答案
  • C.VAD 可以完全替代降噪模块← 正确答案
  • D.深度学习 VAD 在低信噪比下更鲁棒

答案：ABC。A 错，缓冲数据对找回语音起点很重要；B 错，阈值越高漏检率通常越高；C 错，VAD 只做检测不降噪。D 是常见正确认知。

Q8. Silero VAD 被许多工程选用，主要原因是？

单选题 · hard

  • A.依赖大数据中心才能实时推理
  • B.模型小、易推理且支持流式处理← 正确答案
  • C.必须与专用服务器绑定
  • D.只支持英文语音识别

答案：B。Silero VAD 以轻量 ONNX 模型闻名，可跑在 CPU 和移动端，逐帧流式判断，延迟低。它不依赖数据中心，不需要专用服务器，也不受语言限制，因为 VAD 只看人声属性。

Q9. VAD 输出的两类标签通常是？

单选题 · easy

  • A.声母和韵母
  • B.语音帧和非语音帧← 正确答案
  • C.低频段和高频段
  • D.说话人和非说话人

答案：B。VAD 把每帧判成“语音帧”或“非语音帧”，这是二分类标签。声母韵母、频段、说话人身份都不是 VAD 的输出。

Q10. 设计实时 VAD 系统时，应关注哪些指标？

多选题 · hard

  • A.单帧处理延迟← 正确答案
  • B.语音帧召回率← 正确答案
  • C.CPU 和内存占用← 正确答案
  • D.背景音乐版权

答案：ABC。实时系统要求低延迟、少漏检和低资源开销，这三个直接决定能不能边聊边识别。背景音乐版权属于内容合规问题，与 VAD 性能无关。