TEN-framework/ten-vad

解决的问题

TEN VAD 是一个为企业级对话式 AI 设计的实时语音活动检测 (VAD) 系统。它解决了准确识别用户何时说话、何时为静音或背景噪音的问题，特别旨在减少端到端响应延迟，并提高人机互动中的轮次检测精确度。

运作原理

TEN VAD 提供 16kHz 音频输入的帧级语音活动检测。它采用轻量级架构，可作为预先构建的动态库或通过 ONNX 模型部署。系统处理音频帧（具有可配置的跳跃大小，如 10ms 或 16ms），并根据可调整的阈值输出概率与二进制指标（语音或非语音）。

适用对象

此工具专为开发对话式语音 AI 代理的开发者设计，他们需要一个高性能、低延迟的 VAD，且能在各种平台上运行，包括服务器 (Linux, Windows, macOS) 与边缘设备 (Android, iOS, Web via WASM)。

特色亮点

• 高精确度：在手动标注的测试集上表现优于 WebRTC VAD 与 Silero VAD。
• 低延迟：快速检测语音到非语音的转换，减少代理响应的延迟。
• 轻量化：与 Silero VAD 相比，具有显著较低的运算复杂度 (RTF) 与更小的库大小（在 Web 上低至 277KB）。
• 广泛兼容性：支持 Python, C, Java, Go 与 JavaScript (WASM)，跨越多种操作系统与硬件架构。