VAD（语音状态检测）

ASR 跟 VAD 相关。VAD 即 Voice Activity Detection（语音活动检测），简单来讲，就是用于检测什么时候开始说话，什么时候结束说话。

很多 ASR 引擎都内置了 VAD 功能，一般都推荐使用 ASR 引擎内置的 VAD 功能。如果 ASR 引擎内置的 VAD 效果不好，也可以通过vad-mode参数选择其他的 VAD 引擎。

vad-mode列表（注意，根据您使用的版本不同，并不是所有版本中都支持这些模式）：

• -1：默认，使用 ASR 引擎内置的 VAD。
• 0：系统内置 VAD，简单 VAD，基于能量检测。
• 1：FVAD 1。
• 2：FVAD 2。
• 3：FVAD 3。
• 20：Silero VAD，基于模型检测，能过滤常见噪音、键盘敲击等。

VAD 相关示意图如下：

             _-_       ..   换气   ~~.
thresh    _-/   \_-^-_/  \_  |   /   \              thresh
---------/                 \ |  /     \ ------------------
        /                   \__/       \
---------|--------------------------------|------------
         | |                          |   |
voice_ms / |START TALKING             |   |
           |TALKING ... ... ... ..... |   |
                         |..|         | / |STOP TALKING
                silence_ms/  silence_ms/

其中，thresh是声音检测阈值，在voice_ms指定的时间（毫秒数）内，如果连续检测到说话声大于thresh，则认为说话人开始讲话，触发START TAKING事件；如果在silence_ms时间内连续检测到小于thresh，则认为结束讲话，触发STOP TALKING事件。考虑到讲话过程中可能会换气，silence_ms不能太短，否则会在换气时误判为结束讲话（“太灵敏”）。silence_ms推荐值为500～700毫秒，如果过长则会表现为延迟增加，听起来好像是检测“不灵敏”。

VAD 中的 V 指 Voice，即人声（人的声音），而不是 Sound（任何声音）。因此，好的 VAD 只会对人声有反应，而狗声、自然界的声音如刮风、敲键盘、敲桌子等声音都应该视为噪音而不是人声。

如果 ASR 引擎有内置 VAD，内推荐使用内置 VAD，否则可以使用vad-mode选择其他 VAD 引擎。