语音转写前怎样用 VAD 切除静音区

会议录音、客服语音或手机采访交给 ASR 前，先用 VAD（Voice Activity Detection，语音活动检测）找出真正有人声的区间，通常能减少无效音频和长静音带来的等待时间。稳妥做法不是把所有低能量片段直接删掉，而是先得到语音时间戳，再为每段保留少量前后上下文，最后把原始偏移一起传给转写环节。

官方地址：https://github.com/snakers4/silero-vad

如果目标只是切掉静音，先把 VAD 当成“边界检测器”，不要把它当成最终转写器。真正影响结果的是采样率、静音持续时间和边界 padding 三组参数。

先把采样率与 VAD 输入边界固定下来

VAD 的输入边界要比 ASR 的模型选择更早确定。以 Silero VAD 为例，官方实现支持 8000 和 16000 Hz；录音是 44.1 kHz 或 48 kHz 时，应先用音频工具重采样到目标采样率，而不是把原始采样率直接塞给检测函数。还要统一声道和张量形状，否则同一组参数在不同文件上的边界会漂移。

下面的调用只展示数据关系，不代表已经在本机执行。return_seconds=True 让时间戳直接用秒表示，后续回写 ASR 结果更直观。

import torch

# 载入官方模型与工具；实际项目应固定依赖版本并缓存模型文件
model, utils = torch.hub.load(
    repo_or_dir="snakers4/silero-vad",
    model="silero_vad",
    trust_repo=True,
)
get_speech_timestamps, _, read_audio, _, _ = utils

SAMPLE_RATE = 16000  # 只使用模型支持的采样率
wav = read_audio("input.wav", sampling_rate=SAMPLE_RATE)

# start/end 是语音区间；阈值和边界参数应按业务录音调参
timestamps = get_speech_timestamps(
    wav,
    model,
    sampling_rate=SAMPLE_RATE,
    threshold=0.5,
    min_speech_duration_ms=250,
    min_silence_duration_ms=220,
    speech_pad_ms=120,
    return_seconds=True,
)

用三个参数控制“切得干不干净”

threshold 越高，越不容易把背景噪声当成人声，但轻声和远场说话也更可能被漏掉；min_silence_duration_ms 太小会把一句话切碎，太大又会把两句话粘在一起；speech_pad_ms 则给每个区间补边，重点保护爆破音、词头和词尾。工程上不要先追求“静音绝对为零”，应先保证关键字不被截断。

VAD 只给出候选边界，混响、音乐、多人重叠说话和笑声都可能改变概率曲线。调参时应抽取一批真实录音，分别观察漏切、误切和重复字，而不是只用一段安静样本决定阈值。

保留上下文，再把分段交给转写模型

拿到时间戳后，不建议直接把各段首尾裁到极限。可以用 100～200 毫秒的 padding 扩展区间，并把相邻扩展后重叠的区间合并；这样既减少句首丢字，也避免 ASR 在两个片段之间失去语境。合并后的每段仍要记录原始坐标。

def expand_segments(timestamps, total_seconds, pad_seconds=0.12):
    # 扩展边界并合并相交区间，避免词头词尾被硬切开
    expanded = []
    for item in timestamps:
        start = max(0.0, item["start"] - pad_seconds)
        end = min(total_seconds, item["end"] + pad_seconds)
        if expanded and start 

常见问题

VAD 切完后，转写结果少了句首怎么办？

先增加 speech_pad_ms 或扩展分段的前置 padding，再检查采样率和 threshold；不要一开始就把阈值调得很低。

静音切除后为什么字幕时间对不上？

通常是只保存了拼接音频，没有保存每段在原文件中的 start/end。转写结果必须带回原始偏移，再生成字幕时间轴。

VAD 能代替说话人识别吗？

不能。VAD 只判断某个时间段是否存在语音活动，不负责区分是谁在说，也不负责把多人重叠语音分离开。

这套流程的边界很清楚：VAD 负责找语音区间，padding 负责保护边界，ASR 负责识别文字，时间偏移负责把结果放回原音频。先固定输入格式，再用真实录音调三个参数，切静音才不会变成“少字但更快”的假优化。