通过iOS上的麦克风输入进行语音活动检测

Question

我正在开发一款基于语音AI的iOS应用； 即，它的目的是从麦克风获取语音输入，将其转换为文本，发送给AI代理，然后通过扬声器输出返回的文本。 尽管使用按钮来开始和停止录制语音（SpeechKit用于语音识别，API.AI用于AI，亚马逊的Polly用于输出），但我已经完成了所有工作。

我需要做的是始终保持麦克风开启，并在用户开始和结束通话时自动开始和停止用户语音的录制。 这款应用是为非传统的环境而开发的，用户将无法访问屏幕（但他们将拥有用于记录其文本的高端shot弹枪麦克风）。

我的研究表明，这一难题被称为“语音活动检测”，似乎是整个基于语音的AI系统中最困难的步骤之一。

我希望有人可以自己提供一些简单的（Swift）代码来实现此目标，也可以指出一些可以在此项目中实现的不错的库/ SDK的方向。

Answer 1

为了实现良好的VAD算法，可以使用py-webrtcvad 。

它是C代码的Python界面，您可以从项目中导入C文件，然后快速使用它们。