VAD 是什么：ASR 前面为什么总要挂个断句器

2026-08-24

VAD（Voice Activity Detection，语音活动检测）是判断一段音频里哪些时间段有人在说话的模块，它的产物是一组语音片段的起止时间，作用是把连续不断的音频流切成识别器能处理的一句一句。

在语音识别的四个环节里，VAD 属于最前面的音频前处理。它不认字、不管说了什么，只回答一个二元问题：这一小段是不是人声。但这个看起来简单的判断，决定了后面所有环节吃到的输入长什么样。

VAD 到底在替你省什么

VAD 承担三个职责，重要性从容易理解到容易被忽略排列。

第一，省算力。 一段会议录音、一通客服电话，真正在说话的时间往往只占一部分，剩下的是等待、翻页、走神。静音段送进识别模型，模型照样跑完整的前向计算，出来的却是空结果。提前挡掉它们，是最便宜的一笔优化。

第二，给识别器合理的输入长度。 识别模型对输入长度是敏感的：太长会撞上注意力开销和训练时的长度分布，太短则缺少上下文。VAD 按人说话的自然停顿来切，切出来的片段长度天然贴近”一句话”这个粒度，比按固定秒数硬切合理得多。长音频该怎么切，详见长音频要怎么切才不吞字。

第三，为对话系统提供”用户说完了没有”的信号。 这一条最容易被忽略，但在实时语音对话里是最要命的。

第三个职责：轮次结束的判定

离线转写场景下，VAD 切得早一点晚一点，最多影响转写质量。但在实时对话里，VAD 说”这句结束了”这个瞬间，就是系统开始回应的发令枪。

链路是这样的：VAD 判定用户说完 → 片段交给识别器出文字 → 文字送进模型生成回复 → 合成语音播出去。用户感受到的”这助手反应好慢”，很大一部分其实是在等 VAD 拍板，不是模型算得慢。

这就产生了一个绕不开的两难：

VAD 判得早，用户中间只是喘了口气、想了个词，系统就抢话打断了。
VAD 判得晚，用户说完了要干等一会儿，对话节奏黏滞。

这个矛盾没有通用最优解，因为它取决于业务里”抢话”和”迟钝”哪个代价更高。填表播报类的场景可以判得晚一点求稳，闲聊陪伴类的场景则要判得早、并且允许被打断。这也是为什么流式识别和整段识别在 VAD 上的要求完全不同。

两类 VAD 的适用边界

按判断方式，VAD 大致分两类。

能量阈值型：算一算当前帧的能量（有时再加过零率一类的简单统计量），超过阈值就算有人说话。它的优点是几乎不吃算力，实现简单，在安静环境下够用。

它的致命弱点是：在稳态噪声下就会失效。空调外机、风扇、马路上的持续车流、机房的底噪——这类噪声能量稳定且不低，一旦超过阈值，VAD 会认为”一直有人在说话”，于是永远切不出一句的结尾，整个断句机制形同虚设。反过来把阈值调高，小声说话的部分又会被当成静音丢掉。

神经网络型：用一个小模型判断当前帧是不是语音。它学的是语音的谱结构特征，而不只是响度，因此对噪声鲁棒得多，能在有底噪的环境里稳定区分人声与非人声。代价是要跑推理，有额外的计算开销——这类模型通常很小，但在极端受限的端侧设备上仍需要算账。

开源侧的可选项是有的：Silero VAD 自述为预训练的语音活动检测器；pyannote.audio 把语音活动检测列为说话人分离的神经网络构件之一；sherpa-onnx 的能力清单里也包含 VAD。这三者定位不同，前者是专做 VAD 的独立组件，后两者是把 VAD 作为更大工具箱的一部分。

三个关键参数各自管什么

这里只讲参数的作用和调它的后果。具体默认值各实现不同，而且会随版本变，照抄别处的数字没有意义，要以你所用系统的文档为准。

静音时长阈值：连续多久没检测到语音，才判定这一句结束。这是 VAD 里影响最大的一个参数，上一节说的那个两难，主要就体现在它身上。

最短语音时长：短于这个长度的语音段直接丢弃。它的用途是过滤咳嗽、清嗓、敲键盘、鼠标点击这类瞬时噪声——这些声音在能量上可能很像语音的起始，但持续时间极短，用时长门槛滤掉最省事。

前后 padding：在检测到的语音起点之前、终点之后各多留一点音频再切，给检测本身的延迟和误差留余量。人说话的第一个音往往是辅音或轻声，能量爬升需要时间，等 VAD 反应过来时前面已经过去了一小截，padding 就是把这一截补回来。

调参后果表

把上面三个参数和常见症状对起来，就是一张可以照着排查的表：

你调的	调小会出现	调大会出现
静音时长阈值	一句话被切成好几段，识别结果支离破碎；实时对话里频繁抢话打断用户	用户说完要干等，响应迟钝；两句话甚至两个人的话粘成一段送进识别器
最短语音时长	咳嗽、按键、椅子响都被当成一句送进识别，产出一堆无意义短文本	真实的短应答被吞掉，“嗯""好""对”这类词整个消失
起始 padding	开头的字被吃掉，“你好”变成”好”	每句前面带一小段静音或前一句的尾音，多余但通常无害
结束 padding	句尾字被截断，尾音丢失	片段变长，浪费一点算力；静音阈值判定也会跟着显得更迟

用法：先描述症状，在表里反查是哪个参数偏了哪个方向，一次只动一个，改完用同一批音频回归对比。

四种典型故障的排查方向

开头字被吃掉。首选查起始 padding 是否不足；其次是 VAD 触发本身偏迟，如果用的是能量阈值型，把阈值调低一点看看是否缓解。
一句话被切成好几段。静音时长阈值定得太短，说话人正常的换气和停顿被当成了句子结束。
两句话粘成一段。静音时长阈值太长，或者环境底噪把 VAD 顶在”一直有人说话”的状态上——后者是能量阈值型的典型症状，换神经网络型 VAD 通常直接解决。
背景人声误触发。这是 VAD 能力边界之外的问题：VAD 判断的是”有没有人在说话”，不是”有没有目标人在说话”。旁边同事的交谈、电视里的对白，在 VAD 看来都是货真价实的语音。要区分说话人身份得靠说话人相关的模块，而不是把 VAD 调严——调严通常会把目标说话人也一起滤掉。

顺带说一句：如果系统自己在放声音（比如 TTS 正在播报），那部分声音必须靠回声消除在拿得到参考信号的位置提前对消掉，指望 VAD 分辨”这是我自己放的声音”是不现实的。详见降噪和回声消除该放在哪。

常见问题

问：VAD 和端点检测（endpointing）是一回事吗？

关系很近但侧重不同。VAD 是逐帧的二元判断——这一帧是不是语音；端点检测是在 VAD 输出之上做的决策——积累到什么程度才宣布”一句结束”。很多实现把两者打包在一个模块里，所以常混着叫，但排查时区分开有好处：判错帧和判错端点，要动的旋钮不一样。

问：识别模型自己不能断句吗，为什么还要单独一个 VAD？

有些模型确实能输出断句和标点，但那是在拿到音频之后做的事，救不回前面三个职责里的任何一个：静音段照样被送进模型算了一遍，输入长度照样不受控，实时对话里”用户说完了没有”这个信号更是必须在识别之前就拿到——不然回应永远慢一拍。

问：我该选能量阈值型还是神经网络型？

先看你的噪声环境是不是稳态的。如果目标场景里有持续底噪（车载、工厂、开放办公区、带风扇的设备旁），能量阈值型基本可以直接排除。如果是安静的近场录音、且算力极度受限，能量阈值型仍然是划算的选择。

问：参数调好了，换个场景还要重调吗？

大概率要。噪声环境、说话人语速、业务能容忍的响应节奏，这三样一变，最优参数就变了。务实的做法是按场景准备几套配置，而不是找一组”通用最优值”。