# human voice identify

**Repository Path**: howardwang/human-voice-identify

## Basic Information

- **Project Name**: human voice identify
- **Description**: 人声识别
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-04-03
- **Last Updated**: 2025-05-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 介绍

音频中语音检查的方法

* webrtc-vad
* silero-vad
* convert_to_16khz.sh 转换音频格式脚本

详情参考各个目录下的 `README.md`

```sh
\.venv\Scripts\activate  # 进入 python 虚拟环境
```

## 说明

Silero-VAD 比 WebRTC-VAD 更准确的主要原因在于：

1. 神经网络架构
Silero 使用基于深度学习的端到端神经网络（如STFT+RNN/Transformer），能更好地捕捉音频信号的时序特征和非线性关系，而 WebRTC-VAD 使用的是传统 GMM 模型
2. 噪声鲁棒性
Silero 在训练时加入了大量背景噪声数据增强（如白噪声、音乐、环境声），使其在信噪比低至 **-5dB** 时仍能保持高准确率
3. 多采样率支持
原生支持 8k/16k/24k/32k/48kHz 多种采样率，通过模型自适应调整，而 WebRTC 需要手动重采样到特定频率
4. 上下文感知
采用滑动窗口机制（默认 512 采样点窗口 + 1536 采样点上下文），能更好地区分语音边界处的瞬态噪声
5. 多语言优化
训练数据包含英语、中文、俄语等 20+ 语言的语音样本，对非平稳语音（如声调语言）有更好识别能力
根据 silero 的基准测试，在相同误报率下，Silero-VAD 的**召回率**比 WebRTC-VAD 高 18-23%（在-5dB~10dB噪声环境中）

### 召回率（Recall Rate）

召回率（Recall Rate）是衡量语音活动检测（VAD）系统捕捉真实语音能力的关键指标，其定义为：

召回率 = 正确检测的语音时长 / (正确检测的语音时长 + 漏检的语音时长) × 100%

实际案例：
若 10 秒音频中包含 8 秒真实语音，VAD 检测到 7 秒语音（正确）但漏检 1 秒，则召回率为 7/(7+1)=87.5%

与精确率（Precision）的区别：

* 高召回率：宁可多标记非语音为语音，也要尽量捕获所有真实语音（适合语音转录等场景）
* 高精确率：宁可漏检部分语音，也要确保标记的语音段绝对准确（适合实时通信场景）

在语音助手等应用中，召回率低下会导致指令漏识别，因此 Silero-VAD 通过长上下文建模来优化该指标。