### 实现麦克风实时音频采集与人声检测 为了实现麦克风实时音频采集并进行人声检测，可以利用 `PyAudio` 库来捕获音频流，并通过 `webrtcvad` 库来进行语音活动检测（Voice Activity Detection, VAD）。以下是详细的实现方法以及代码示例。 #### 依赖安装 在开始之前，请确保已安装所需的 Python 库： ```bash pip install pyaudio webrtcvad ``` #### 原理概述 1. **音频采集**：使用 `PyAudio` 从麦克风获取 PCM 编码的音频数据[^3]。 2. **语音端点检测**：借助 `webrtcvad` 的功能判断当前帧是否有语音存在[^4]。 --- #### 完整代码实现 以下是一个完整的 Python 脚本，用于从麦克风实时采集音频并对每一帧执行人声检测： ```python import pyaudio import webrtcvad import numpy as np # 初始化参数 FORMAT = pyaudio.paInt16 # 音频格式为16位PCM CHANNELS = 1 # 单声道 RATE = 16000 # 采样率 (Hz)，需匹配VAD的要求 CHUNK_DURATION_MS = 30 # 每一帧的时间长度 (ms) PADDING_DURATION_MS = 300 # 初始静音填充时间 (ms) CHUNK_SIZE = int(RATE * CHUNK_DURATION_MS / 1000) # 每帧的数据量大小 NUM_PADDING_CHUNKS = int(PADDING_DURATION_MS / CHUNK_DURATION_MS) # 创建 PyAudio 对象 p = pyaudio.PyAudio() # 打开麦克风输入流 stream = p.open(format=FORMAT, channels=CHANNELS, rate=RATE, input=True, frames_per_buffer=CHUNK_SIZE) print("正在启动麦克风...") # 初始化 WebRTC-VAD vad = webrtcvad.Vad() vad.set_mode(3) # 设置敏感度模式 (0~3)，数值越大越灵敏 # 辅助变量 ring_buffer = collections.deque(maxlen=NUM_PADDING_CHUNKS) triggered = False try: while True: chunk = stream.read(CHUNK_SIZE) # 读取一帧音频数据 active = vad.is_speech(chunk, RATE) # 使用 VAD 检测该帧是否为人声 if not triggered: # 如果尚未触发人声状态 ring_buffer.append((chunk, active)) # 将数据存入缓冲区 num_voiced = len([f for f, speech in ring_buffer if speech]) # 统计缓冲区内的人声音节数 if num_voiced > 0.9 * ring_buffer.maxlen: # 若大部分帧都含有人声，则认为进入人声区域 triggered = True print("\n【检测到人声】 开始录音...") # 清空缓冲区并将其中的内容作为初始部分保存 buffered_data = b''.join([f for f, _ in ring_buffer]) ring_buffer.clear() else: # 已经处于人声状态 if active: # 当前帧仍含有人声 pass # 不做任何操作 else: # 当前帧无人声 ring_buffer.append((chunk, active)) num_unvoiced = len([f for f, speech in ring_buffer if not speech]) # 统计缓冲区内的无声帧数 if num_unvoiced > 0.9 * ring_buffer.maxlen: # 若大部分帧都是无声，则结束录音 triggered = False print("\n【人声结束】 录制完成.") except KeyboardInterrupt: print("\n程序被手动终止.") finally: stream.stop_stream() # 停止流 stream.close() # 关闭流 p.terminate() # 结束 PyAudio 进程 print("麦克风关闭成功。") ``` --- #### 功能说明 1. **音频采集**：脚本通过 `PyAudio` 以固定帧长 (`CHUNK_SIZE`) 和采样率 (`RATE`) 从麦克风持续读取音频数据。 2. **人声检测**：每帧音频都会传递给 `webrtcvad.Vad().is_speech()` 方法，返回布尔值表示是否存在人声。 3. **动态调整**：当连续多帧检测到人声时，判定为人声开始；反之，当连续多帧未检测到人声时，判定为人声结束。 --- #### 测试建议 运行上述代码后，可以通过对着麦克风讲话观察控制台输出的变化情况。如果一切正常，“检测到人声”和“人声结束”的提示会随着您的发声行为而交替显示。 ---