iOS上話筒輸入的語音活動檢測

Question

我正在開發基於語音的AI的iOS應用;即它意味着從麥克風接收語音輸入，將其轉換爲文本，發送給AI代理，然後通過揚聲器輸出返回的文本。儘管使用一個按鈕來開始和停止錄製語音（SpeechKit用於語音識別，AI的API.AI，Amazon的Polly用於輸出），但我已經掌握了所有工作。

我需要的是讓麥克風始終打開，並在用戶開始和結束通話時自動開始和停止錄製用戶的聲音。這個應用程序正在開發非傳統環境，用戶無法訪問屏幕（但他們將有一個用於記錄文本的高端獵槍話筒）。

我的研究表明這塊拼圖被稱爲「語音活動檢測」，似乎是整個語音AI系統中最難的步驟之一。

我希望有人能夠提供一些簡單的（Swift）代碼來實現這一點，或者指向我可以在此項目中實現的一些體面的庫/ SDK的方向。

Answer 1

對於較好的VAD算法實現，您可以使用py-webrtcvad。

它是一個C代碼的Python接口，您可以從項目中導入C文件並從swift中使用它們。