---
title: "什么是语音活动检测（VAD）？语音转文字中的静音检测 | BroadRouter"
description: "语音活动检测找出音频中哪些部分有人说话。VAD 如何以 10 到 30 毫秒的帧工作、如何在转写前去除静音，以及能省下什么。"
url: https://broadrouter.com/zh/glossary/vad/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/glossary/vad/)（2026-11-14 更新）。

# 语音活动检测（VAD）

更新于 2026-11-14

语音活动检测（VAD）是一种信号处理步骤，把音频切成短帧并判断每帧是否为语音。语音系统用它跳过静音、在停顿处切分长录音、判断说话人是否说完，并避免转写背景噪声。

又称： 语音端点检测、端点检测、静音检测、人声检测、语音检测、voice activity detection、VAD、speech activity detection、speech detection、silence detection

VAD 每秒要回答很多次同一个问题：这一小段音频里有人在说话吗？

## 工作原理

音频被切成短帧，每帧被标记为语音或非语音。最常用的两个开源检测器体现了典型参数：

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| 类型 | 来自 Google WebRTC 项目的经典检测器 | 预训练神经网络模型，MIT 许可 |
| 采样率 | 8、16、32 或 48 kHz | 8 或 16 kHz |
| 帧或块 | 10、20 或 30 ms | 30+ ms |
| 音频格式 | 仅限 16 位单声道 PCM | 见仓库文档 |
| 调节 | 激进度 0（过滤最少）到 3（最多） | 见仓库示例 |
| 速度 | 小巧的 C 代码 | 单个 CPU 线程上每块不到 1 ms；模型约 2 MB |

帧长与[采样率](https://broadrouter.com/zh/glossary/sample-rate/)是相关联的。每秒 16,000 个样本时，30 ms 的帧为 16,000 x 0.030 = 480 个样本，即 16 位音频的 960 字节。逐帧的原始标签会来回跳动，因此工具会做平滑：先要有几百毫秒的语音才开启一个片段，并要有一段静音才关闭它。

托管 API 用的是同样的思路。OpenAI 的语音转文字指南允许对超过 30 秒的音频把 `chunking_strategy` 设为 `auto` 或一个 VAD 配置，适用于其说话人分离模型；指南已将该模型列为弃用。

## 为什么重要

-   **费用。** 语音转文字 API 通常按音频分钟计费。上传前去掉长时间静音，计费分钟数就会减少。
-   **延迟。** 上传的音频越少，请求越小，需要处理的内容也越少。
-   **文件大小限制。** 文件太大、一次请求放不下时，在停顿处而不是按固定时间切分，可以避免把一个词切成两半。
-   **语音机器人。** 检测一轮发言何时结束，决定了机器人回复得有多快。

VAD 也是[说话人分离](https://broadrouter.com/zh/glossary/diarization/)的第一步。

## 在 BroadNet Inference 上

BroadNet 的文档没有说明 `/v1/audio/transcriptions` 的 VAD 设置或去除静音的选项。你上传最大 26,214,400 字节的 WAV 或 MP3，得到 `{"text": ...}`。如果音频中有很长的空白（语音消息和通话录音常常如此），请在本地运行 WebRTC VAD 或 Silero VAD，保留有语音的部分再发送。[WhatsApp 语音消息指南](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)介绍了用 ffmpeg 转成两个检测器都接受的 16 kHz 单声道音频。转写按分钟计价，[BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) 为 $0.0042；用[语音转文字费用计算器](https://broadrouter.com/tools/speech-to-text-cost-calculator/)可以看出去掉的分钟能省多少。

## 常见问题

### 有哪些好用的开源 VAD？

常见的两个选择：WebRTC VAD，一个小巧的经典检测器，激进度模式为 0 到 3；以及 Silero VAD，一个采用 MIT 许可、约 2 MB 的神经网络模型，在单个 CPU 线程上处理一个 30 毫秒以上的音频块用时不到 1 毫秒。

### BroadNet 会对我的音频做 VAD 吗？

BroadNet 的文档没有说明任何 VAD 设置。如果需要自己控制，请在上传前于本地去除静音或在停顿处切分。

### VAD 怎么降低语音转文字的费用？

按分钟计费的 API 按你发送的音频计费。如果一段录音有 40% 是静音，而你只发送有语音的部分，就只需支付约 60% 的分钟数。请保留短暂停顿，以免词语被截断。

## 另请参阅

-   [语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)（术语）
-   [说话人分离（speaker diarization）](https://broadrouter.com/zh/glossary/diarization/)（术语）
-   [采样率（sample rate）](https://broadrouter.com/zh/glossary/sample-rate/)（术语）
-   [时间戳（语音转文字，timestamps）](https://broadrouter.com/zh/glossary/timestamps-asr/)（术语）
-   [用 API 把 WhatsApp 语音消息转成文字](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)（指南）
-   [企业语音消息转文字：把 WhatsApp 和 Telegram 语音变成工单](https://broadrouter.com/zh/blog/voice-notes-to-text-for-business/)（文章）
-   [呼叫中心录音怎么转写：一条支持阿拉伯语的流水线](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)（文章）

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

[开始使用](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-vad&utm_content=page-cta) ·

**来源**

-   [Silero VAD，官方 GitHub 仓库](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad，WebRTC VAD 的 Python 接口](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI，语音转文字指南（带 VAD 的 chunking\_strategy）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [BroadNet Inference API 参考，转写（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-vad&utm_content=sources)
