采集音频时延长说话停顿时间

[fuyud]

void startListening({
double positiveSpeechThreshold = 0.5,
double negativeSpeechThreshold = 0.35,
int preSpeechPadFrames = 1,
int redemptionFrames = 8,
int frameSamples = 1536,
int minSpeechFrames = 3,
bool submitUserSpeechOnPause = false,
});
这些参数分别有什么用呢，
我想设置采集音频时延长说话停顿时间，让它能采集更多音频后再停顿

[keyur2maru]

With the default Silero v4 model and frameSamples=1536, one frame equals 96ms (at 16kHz sample rate). For Silero VAD v5 model, frameSamples must be 512, making one frame 32ms.

Parameters explained:

English:

• positiveSpeechThreshold (0.5): Confidence threshold to detect speech. Higher values mean more certainty needed to mark as speech.
• negativeSpeechThreshold (0.35): Threshold to mark as non-speech. Lower values are more sensitive to potential speech.
• preSpeechPadFrames (1): Number of frames to include before detected speech starts.
• redemptionFrames (8): Key parameter for your need - number of silent frames needed before marking speech as ended. Default is 8 frames (768ms with default settings). Increase this to extend pause detection time.
• frameSamples (1536): Samples per frame. Fixed at 1536 for legacy model (96ms) or 512 for v5 model (32ms).
• minSpeechFrames (3): Minimum frames of speech needed before triggering speech detection.
• submitUserSpeechOnPause (false): Whether to submit collected audio when paused.

To extend pause detection time, increase redemptionFrames. For example, setting it to 16 would require 1.536 seconds of silence before stopping.

Translation -
中文:

• positiveSpeechThreshold (0.5): 检测语音的置信度阈值。值越高，需要越确定才会标记为语音。
• negativeSpeechThreshold (0.35): 标记为非语音的阈值。值越低，对潜在语音越敏感。
• preSpeechPadFrames (1): 在检测到语音开始前要包含的帧数。
• redemptionFrames (8): 关键参数 - 标记语音结束前需要的静音帧数。默认8帧(默认设置下为768毫秒)。增加这个值可以延长暂停检测时间。
• frameSamples (1536): 每帧的采样数。传统模型固定为1536(96毫秒)，v5模型为512(32毫秒)。
• minSpeechFrames (3): 触发语音检测所需的最小语音帧数。
• submitUserSpeechOnPause (false): 暂停时是否提交收集的音频。

要延长暂停检测时间，增加redemptionFrames的值。例如，设置为16会要求1.536秒的静音才会停止。

[fuyud]

非常感谢，你是最棒的博主 发自我的iPhone

…

------------------ 原始邮件 ------------------ 发件人: Keyur Maru ***@***.***> 发送时间: 2025年1月25日 19:43 收件人: keyur2maru/vad ***@***.***> 抄送: fuyud ***@***.***>, Author ***@***.***> 主题: Re: [keyur2maru/vad] 采集音频时延长说话停顿时间 (Issue #5)

[fuyud]

你好，我再问一下，比如，我在说类似这样的一段话：“你好，我想去机场，怎么坐地铁”，目前我使用的时候，等说完“你好”两个字的时候，中间稍微停顿了1秒左右，它立马就结束检测了，我想延长一下声音检测停顿的这个时间到2秒左右，等全部说完这一段话的时候再一起停止，这个有可以控制的参数吗？ 发自我的iPhone

…

------------------ 原始邮件 ------------------ 发件人: Keyur Maru ***@***.***> 发送时间: 2025年1月25日 19:43 收件人: keyur2maru/vad ***@***.***> 抄送: fuyud ***@***.***>, Author ***@***.***> 主题: Re: [keyur2maru/vad] 采集音频时延长说话停顿时间 (Issue #5)

[keyur2maru]

redemptionFrames 控制的就是VAD在检测到静音后，需要等待多长时间才判定语音真正结束。

以你的例子 "你好 (停顿) 我想去机场，怎么坐地铁"：

默认设置下(redemptionFrames = 8):

• 每帧时长是96毫秒（使用默认frameSamples=1536时）
• 8帧 = 8 * 96毫秒 = 768毫秒（约0.77秒）
• 所以如果停顿超过0.77秒，就会停止录音

要延长到2秒，需要增加redemptionFrames：

• 2秒 = 2000毫秒
• 2000毫秒 ÷ 96毫秒 = 大约21帧

所以你可以这样设置：

vadHandler.startListening(
  redemptionFrames: 21  // 这样会在检测到约2秒的静音后才停止
);

这样设置后，即使在说话中间有短暂停顿，也能继续录音直到整句话说完。

[fuyud]

感谢你不厌其烦的耐心讲解，因为我刚开始做flutter，所以有些还是很生疏，如果能加到你的联系方式，我将不胜荣幸我想感谢下你，支持下开源项目 发自我的iPhone

…

------------------ 原始邮件 ------------------ 发件人: Keyur Maru ***@***.***> 发送时间: 2025年1月25日 19:58 收件人: keyur2maru/vad ***@***.***> 抄送: fuyud ***@***.***>, Author ***@***.***> 主题: Re: [keyur2maru/vad] 采集音频时延长说话停顿时间 (Issue #5) redemptionFrames 控制的就是VAD在检测到静音后，需要等待多长时间才判定语音真正结束。 以你的例子 "你好 (停顿) 我想去机场，怎么坐地铁"： 默认设置下(redemptionFrames = 8): 每帧时长是96毫秒（使用默认frameSamples=1536时） 8帧 = 8 * 96毫秒 = 768毫秒（约0.77秒） 所以如果停顿超过0.77秒，就会停止录音 要延长到2秒，需要增加redemptionFrames： 2秒 = 2000毫秒 2000毫秒 ÷ 96毫秒 = 大约21帧 所以你可以这样设置： vadHandler.startListening( redemptionFrames: 21 // 这样会在检测到约2秒的静音后才停止 ); 这样设置后，即使在说话中间有短暂停顿，也能继续录音直到整句话说完。 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>