VAD打断方案

什么是打断

打断,就是机器人说话的时候,用户没等机器人说完,就开始说话。一般做法是检测到用户声音持续100-200ms就停止机器人说话,这样存在一个弊端,就是如果噪音很大的环境,或者用户身边有人说话,会导致错误的打断,本文主要介绍几个方法,来避免这个问题。

防干扰等级(只start_vad支持)

start_vad函数有一个参数 filter_level 防止干扰等级。0-1.0之间,建议 0.3。 这个参数的原理是可以通过计算用户历史说话音量,如果当前音量大于历史说话音量*filter_level,才认为是有效声音。因为周围的人说话传入话筒的音量比较小,这个方法可以有效解决身边人说话导致打断。

动态最小声音时间(只vad支持)

vad函数有这样一个参数 min_speak_ms [数字] 可选参数 默认100ms 最小的声音时间 单位毫秒,默认值 100ms。

这个参数的含义是,设置一个最小的声音时间,只有声音持续时间超过这个值才认为是有效声音,触发打断和提交到ASR服务器识别。

为什么我选择了这个100ms作为这个默认值呢,因为电话接通后,很多人习惯说一声”喂”,或者”您好”, “喂”的持续时间一般是100-200s,”您好”的持续时间是 200-300ms.

开发业务流程的时候,可以动态设置这个值,来避免无效声音打断,比如电话接通后的第一个声音,设置100ms,后续声音设置,200-300ms。就可以非常有效避免错误打断。

关键词打断

2.1版本已经实现,用户停顿一下就提交ASR识别,把识别结果发送给业务程序,就是让业务程序控制是否需要打断。

检测到说话声音先暂停放音,识别不到有效文字后,恢复放音

VAD模块检测到用户声音后,暂停播放机器人说话声,同时开始提交声音流到ASR服务器识别,如果ASR服务器返回的不是有效语句, 恢复机器人说话(不是简单的从暂停的地方开始,而是利用VAD算法,定位到最近声音的起点,然后开始播放)下面举个例子说明。

机器人:你好,我是XX售楼部,请问你最近有(这个时候检查到用户端声音,暂停播放)

ASR识别到的文字不是有效回答。可能是环境噪音等。机器人恢复说话。

机器人:请问你最近有打算买房吗。(利用VAD检测到 打断点最近一个句子的开始位置开始放音,不再重复播放“你好,我是XX售楼部”,也不是简单的从打断点开始播放)。

这个方案,可以有效的解决 环境噪音等打断,导致机器人说话给停止,可以像真人一样,听到用户声音停顿一下继续接着说下去。