amsehili/auditok

解决的问题

auditok 是一个轻量级的音频活动检测库，帮助用户在音频流中定位「声音出现在哪里」。它解决了手动将音频文件分割为事件、去除静音或检测语音段落的问题，而无需依赖重型神经网络。

工作原理

该库的核心是使用能量阈值将音频流分割为事件。阈值可手动设置，也可通过 "otsu"（平衡）或 "percentile"（噪声底噪 + 安全裕量）等方法自动估算。对于更精确的语音检测，可选择性地集成 WebRTC 语音活动检测器（VAD）作为帧级判断器。

适用人群

从事音频处理的开发者，例如构建语音活动检测（VAD）系统、静音去除工具，或为播客和语言课程进行音频分段，尤其在需要速度和低计算开销的场景下。

特色亮点

• 灵活输入： 支持文件、原始字节、麦克风输入和流，包括单声道和多声道音频。
• AudioRegion API： 用于轻松切片、合并和导出音频片段的中心数据结构。
• 自动阈值： 能自动适应不同噪声水平，减少对每文件手动调参的需求。
• 命令行界面： 提供子命令，可直接在终端中执行分割、裁剪和静音段归一化。
• Jupyter 集成： 内置交互式组件，可在笔记本中可视化并播放检测到的音频区域。