语音活动检测¶

语音活动检测（VAD）可在您停止说话时自动触发转录。

启用 VAD¶

asr2clip --vad

启用 VAD 后，转录在以下情况触发：

1. 检测到语音（音频高于阈值）
2. 随后是静音（音频低于阈值持续指定时长）

工作原理¶

asr2clip 使用多特征检测实现稳健的语音识别：

• RMS 能量 — 测量音频整体音量
• 过零率 — 区分语音和噪声（语音的过零率较低）
• 语音频段能量比 — 检查 300-3000 Hz（人类语音频段）的能量集中度

三个特征必须同时满足才会将音频判定为语音，从而减少键盘噪音、风扇或其他非语音声音的误触发。

自适应阈值¶

默认情况下，VAD 使用自适应阈值，实时根据环境噪音调整：

# 使用 --vad 时默认启用自适应
asr2clip --vad

# 禁用自适应阈值（使用固定值）
asr2clip --vad --no_adaptive

自适应阈值持续监测背景噪音并自动调整灵敏度，环境变化时无需重新校准。

校准¶

测量环境噪音以设置合适的阈值：

asr2clip --calibrate

这会录制一小段环境噪音并建议一个阈值。

自定义设置¶

# 自定义静音阈值和时长
asr2clip --vad --silence_threshold 0.005 --silence_duration 2.0

VAD 选项¶

行为细节¶

• 最短语音时长：0.5 秒 — 短暂的噪声会被忽略
• 最长语音时长：30 秒 — 连续说话超过 30 秒会强制触发转录
• 语音间隔容忍：0.3 秒 — 语音中的短暂停顿不会被视为静音
• 启动自动校准：开始录音时自动测量环境噪音水平