什么是打斷

打斷，就是機(jī)器人說話的時(shí)候，用戶沒等機(jī)器人說完，就開始說話。一般做法是檢測到用戶聲音持續(xù)100-200ms就停止機(jī)器人說話，這樣存在一個(gè)弊端，就是如果噪音很大的環(huán)境（本公司2022年開發(fā)的噪音人聲識別算法直接集成VAD已經(jīng)徹底解決噪音打斷問題），或者用戶身邊有人說話，會導(dǎo)致錯誤的打斷，本文主要介紹幾個(gè)方法，來避免這個(gè)問題。

防干擾等級(只start_vad支持)

start_vad函數(shù)有一個(gè)參數(shù) filter_level 防止干擾等級。0-1.0之間，建議 0.3。 這個(gè)參數(shù)的原理是可以通過計(jì)算用戶歷史說話音量，如果當(dāng)前音量大于歷史說話音量*filter_level，才認(rèn)為是有效聲音。因?yàn)橹車娜苏f話傳入話筒的音量比較小，這個(gè)方法可以有效解決身邊人說話導(dǎo)致打斷。
使用噪音人聲識別算法可以很好的解決噪音打斷 0.6：一句話結(jié)束判斷聲音是否是噪音,通過asrprogress事件的noise標(biāo)識。 0.7: 噪音的時(shí)候不掉用ASR。 0.8：VAD算法集成噪音和人聲識別。

動態(tài)最小聲音時(shí)間(只vad支持)

vad函數(shù)有這樣一個(gè)參數(shù)?min_speak_ms [數(shù)字] 可選參數(shù) 默認(rèn)100ms 最小的聲音時(shí)間 單位毫秒，默認(rèn)值 100ms。

這個(gè)參數(shù)的含義是，設(shè)置一個(gè)最小的聲音時(shí)間，只有聲音持續(xù)時(shí)間超過這個(gè)值才認(rèn)為是有效聲音，觸發(fā)打斷和提交到ASR服務(wù)器識別。

為什么我選擇了這個(gè)100ms作為這個(gè)默認(rèn)值呢，因?yàn)殡娫捊油ê?#xff0c;很多人習(xí)慣說一聲”喂”，或者”您好”, “喂”的持續(xù)時(shí)間一般是100-200s,”您好”的持續(xù)時(shí)間是 200-300ms.

開發(fā)業(yè)務(wù)流程的時(shí)候，可以動態(tài)設(shè)置這個(gè)值，來避免無效聲音打斷，比如電話接通后的第一個(gè)聲音，設(shè)置100ms,后續(xù)聲音設(shè)置，200-300ms。就可以非常有效避免錯誤打斷。

關(guān)鍵詞打斷

2.1版本已經(jīng)實(shí)現(xiàn)，用戶停頓一下就提交ASR識別，把識別結(jié)果發(fā)送給業(yè)務(wù)程序，就是讓業(yè)務(wù)程序控制是否需要打斷。

自動打斷

VAD模塊檢測到用戶聲音后，暫停播放機(jī)器人說話聲，同時(shí)開始提交聲音流到ASR服務(wù)器識別，如果ASR服務(wù)器返回的不是有效語句， 恢復(fù)機(jī)器人說話。

總結(jié)

以上是生活随笔為你收集整理的VAD打断方案的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。