VAD 是 Voice Activity Detection，中文一般叫：
• 语音活动检测
• 或 端点检测
它的作用很简单：
从一段连续音频里，判断哪些地方是"人在说话"，哪些地方是"静音 / 背景噪声 / 音乐 / 呼吸 / 环境音"。
一、VAD 是干什么的
比如一通电话原始音频是这样的：
• 前 2 秒：没人说话
• 第 3～6 秒：用户说话
• 第 7 秒：停顿
• 第 8～10 秒：继续说话
• 后面还有一些环境噪声
VAD 做的事情就是把里面真正有语音的部分找出来。
它不是识别内容，也不是识别说话人，它只回答一个问题：
这一小段时间里，有没有人在说话？
所以它通常是语音系统最前面的一层。
常见链路是：
原始音频 → VAD → ASR / 声纹 / 情绪识别 / 说话人分离
二、为什么一定要先做 VAD
因为原始电话流里有很多"无效音频"：
• 静音
• 呼吸声
• 键盘声
• 背景噪音
• 音乐等待音
• 电流声
• 回声
如果不先切掉这些内容，会带来很多问题：
1）浪费算力
ASR、声纹、情绪识别都去处理整段音频，成本很高。
2）识别效果变差
静音和噪声会干扰后面的识别。
3）响应变慢
实时通话里，系统需要尽快知道"用户是不是说完了"，不然机器人会抢话或者反应慢。
三、VAD 切分到底是怎么切的
VAD 一般不是一整段一下子判断，而是：
把连续音频按很小的时间窗口切成一帧一帧，再逐帧判断。
比如：
• 每 10ms 一帧
• 或每 20ms / 30ms 一帧
假设一段 3 秒音频，用 20ms 一帧来切：
• 3 秒 = 3000ms
• 3000 / 20 = 150 帧
系统会对这 150 帧逐个判断：
• 第 1 帧：没人说话
• 第 2 帧：没人说话
• ...
• 第 25 帧：开始有人声
• 第 26 帧：有人声
• ...
• 第 80 帧：没人声
然后把连续为"有声"的帧合并成一个语音段。
这就叫 VAD 切分。
四、VAD 通常依据什么来判断"有声"
传统方法和深度学习方法不太一样，但常见依据包括：
1）短时能量
人说话时，能量通常比静音高。
2）过零率
语音和某些噪声在波形变化上不同。
3）频谱特征
看频率分布是不是像人声。
4）周期性
浊音有明显的基频特征。
5）模型概率
现在很多 VAD 用神经网络，直接输出：
• 当前帧是语音的概率
• 当前帧是非语音的概率
比如：
• 帧 101：speech_prob = 0.92
• 帧 102：speech_prob = 0.89
• 帧 103：speech_prob = 0.18
系统再根据阈值判断：
• 大于 0.5 认为有语音
• 小于 0.5 认为无语音
五、VAD 切分不是"看到静音就立刻切断"
实际工程里不会这么生硬，否则会切得很碎。
因为真实说话里有很多自然停顿：
• "你好，那个......我想问一下......"
• "这个订单，嗯，什么时候发货？"
这些停顿很短，如果一检测到一点静音就切断，就会变成很多碎片。
所以 VAD 一般会加几个机制。
1）最小语音段长度
比如小于 200ms 的语音段直接丢弃，避免把咳嗽、杂音当成一句话。
2）最小静音时长
比如连续静音超过 500ms，才认为这句话结束。
这就意味着：
• 停顿 100ms，不切
• 停顿 200ms，不切
• 停顿 600ms，切一句
3）前后补边
为了避免把一句话开头或结尾切掉，通常会前后各补一点时间。
比如检测到用户从 3.20s 开始说话，系统可能实际切成：
• 起点：3.00s
• 终点：6.35s
这样能保住起止辅音，不容易丢字。
4）hangover 机制
这在电话场景很常见。
意思是：即使当前几帧突然变安静，系统也不马上判定"说完了"，而是再等几十到几百毫秒，看看是不是只是短暂停顿。
这能减少"切半句"的问题。
六、一个具体例子
假设我们按 20ms 一帧切音频，规则是：
• speech_prob > 0.6 视为语音
• 连续静音超过 400ms 才结束一段
• 语音段前补 100ms，后补 200ms
某段电话帧判断结果像这样：
• 0.00s - 1.20s：静音
• 1.20s - 2.80s：语音
• 2.80s - 3.00s：短暂停顿
• 3.00s - 4.10s：语音
• 4.10s - 4.70s：静音
因为 2.80s 到 3.00s 只有 200ms 静音，没有超过 400ms，所以不切开。
最终会合并成一整段：
• 原始检测：1.20s - 4.10s
• 加补边后：1.10s - 4.30s
这就是一条送给 ASR 的语音片段。
七、VAD 在实时通话里是怎么工作的
在 AI 电话客服里，VAD 一般是流式工作的，不是等整段音频结束再切。
它会边接收音频边判断：
• 当前有没有人在说话
• 什么时候开始说
• 什么时候疑似说完
• 是继续等，还是把这一段送去 ASR
典型状态机像这样：
1）静音状态
等待用户开口。
2）检测到起讲
连续几帧概率很高，进入"说话中"。
3）说话中状态
持续缓存音频。
4）检测到尾静音
如果静音持续达到阈值，比如 500ms，判定一句结束。
5）输出片段
把这一段音频送到：
• ASR 转写
• 声纹识别
• 情绪识别
• 打断检测 / turn-taking
八、在电话客服里，VAD 切分常见有两种用途
1）离线切分
一整段录音拿来后处理，切出若干语音段。
适合：
• 通话质检
• 录音分析
• 情绪分析
• 会话复盘
2）实时切分
边说边检测，尽快找到一句话边界。
适合：
• 智能客服
• 智能外呼
• 实时机器人对话
• 语音助手
实时场景更关注：
• 延迟低
• 不要误切
• 不要漏掉开头结尾
• 能准确判断用户说完没
九、VAD 常见问题
1）为什么会把噪声当成人声
因为有些噪声和语音很像，比如：
• 电视声
• 回声
• 强背景人声
• 敲桌子
• 呼吸声
所以电话系统常常要配合：
• 降噪
• AEC 回声消除
• AGC 自动增益
• 热词/业务上下文
一起使用。
2）为什么一句话被切成很多段
通常是：
• 静音阈值设得太短
• 网络抖动
• 用户本来停顿就多
• 噪声导致概率忽高忽低
3）为什么总是晚一点才识别结束
因为系统故意会"多等一下"，避免半句切断。
这就是刚才说的 hangover。
十、你可以这样理解
VAD 本质上就是给音频"划重点"：
• 哪些部分值得送去识别
• 哪些部分可以忽略
• 一句话从哪开始，到哪结束
一句话总结：
bash
VAD = 先从连续声音里找出"人真正开口说话的片段"，再把这些片段交给后面的 ASR、声纹、情绪识别和 LLM。如果放到 AI 电话客服里，一个完整顺序通常是：
bash
SIP/PSTN 来电 → 实时音频流 → AEC/降噪 → VAD 切分 → ASR → 语义理解 → TTS 回复