Android VAD实战：集成 WebRTC VAD 实现高精度离线语音人声检测（抗噪版）-171主机测评

在移动端语音开发中，VAD（Voice Activity Detection，语音端点检测）是一个绕不开的核心功能。无论是做语音助手、实时对讲，还是会议录音，我们需要精准地判断“什么时候有人在说话”，以便节省带宽或触发后续逻辑。

虽然 Android 系统自带了 API，但效果往往不尽人意。Google 开源的 WebRTC VAD 模块因其体积小（几百KB）、检测准、纯离线运行，成为了业界的黄金标准。

本文分享如何在 Android 项目中集成 WebRTC VAD，并分享一套“双重校验 + 连续帧防抖”的工业级抗噪算法，解决环境噪音导致的状态跳动问题。

一、为什么选择 WebRTC VAD？

轻量级：核心库极小，对 APK 体积影响微乎其微。
低延迟：毫秒级处理，适合实时流。
高兼容：纯 C 实现，通过 JNI 调用，适配所有 Android 机型。
可配置：支持从“普通”到“极其激进”的多种检测模式

为了避免去 WebRTC 庞大的源码中“扣代码”的痛苦，本文基于封装库 com.github.gkonovalov:android-vad 进行二次开发。

二、快速集成

1. 引入依赖

在 settings.gradle 中确保配置 jitpack（以下是完整示例）：

pluginManagement {
repositories {
google {
content {
includeGroupByRegex("com\\\\.android.*")
includeGroupByRegex("com\\\\.google.*")
includeGroupByRegex("androidx.*")
}
}
mavenCentral()
gradlePluginPortal()
}
}
dependencyResolutionManagement {
repositoriesMode.set(RepositoriesMode.FAIL_ON_PROJECT_REPOS)
repositories {
google()
mavenCentral()
maven { url = uri("https://jitpack.io") }
}
}

rootProject.name = "Audio-VAD"
include(":app")

在 App 模块的 build.gradle 中添加依赖，并解决 Android 15 的 16KB 对齐问题(以下为完整示例)：

plugins {
alias(libs.plugins.android.application)
}

android {
namespace = "com.example.your-project"
compileSdk = 36

defaultConfig {
applicationId = "com.example.your-project"
minSdk = 34
targetSdk = 36
versionCode = 1
versionName = "1.0"

testInstrumentationRunner = "androidx.test.runner.AndroidJUnitRunner"
}

//防止在 Android 15+ 设备上因 16KB 内存页对齐问题导致 Crash
packaging {
jniLibs {
useLegacyPackaging = true
}
}
buildTypes {
release {
isMinifyEnabled = false
proguardFiles(
getDefaultProguardFile("proguard-android-optimize.txt"),
"proguard-rules.pro"
)
}
}
compileOptions {
sourceCompatibility = JavaVersion.VERSION_11
targetCompatibility = JavaVersion.VERSION_11
}
}

dependencies {

implementation(libs.appcompat)
implementation(libs.material)
implementation(libs.activity)
implementation(libs.constraintlayout)
testImplementation(libs.junit)
androidTestImplementation(libs.ext.junit)
androidTestImplementation(libs.espresso.core)
implementation("com.github.gkonovalov:android-vad:2.0.6")
}

2. 权限声明

在 AndroidManifest.xml 中添加录音权限：

<uses-permission android:name="android.permission.RECORD_AUDIO" />

三、核心痛点与优化方案

直接调用 VAD 的 isSpeech() 接口在安静环境下表现完美，但在嘈杂环境（如办公室、商场）中，容易出现两个问题：

误触：空调声、键盘声被误判为人声。

闪烁：状态在“说话”和“静音”之间疯狂跳变。

为此，实现了一套“三维过滤机制”：

算法层：使用 VERY_AGGRESSIVE（最激进）模式，提高算法门槛。

物理层（能量门限）：计算音频的分贝（dB），强制忽略低音量的“疑似人声”。

时间层（软件防抖）：引入计数器，只有连续 N 帧满足条件，才认定状态改变。

四、完整代码实现

1. 布局文件 (activity_main.xml)

<?xml version="1.0" encoding="utf-8"?>
<androidx.constraintlayout.widget.ConstraintLayout
xmlns:android="http://schemas.android.com/apk/res/android"
xmlns:app="http://schemas.android.com/apk/res-auto"
xmlns:tools="http://schemas.android.com/tools"
android:layout_width="match_parent"
android:layout_height="match_parent"
android:background="#F8F9FA"
android:padding="24dp">

<!– 顶部状态区域 –>
<TextView
android:id="@+id/tv_status_label"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
android:text="当前检测状态"
android:textColor="#757575"
android:textSize="14sp"
android:letterSpacing="0.1"
app:layout_constraintBottom_toTopOf="@+id/tv_final_decision"
app:layout_constraintStart_toStartOf="parent"
app:layout_constraintEnd_toEndOf="parent"
android:layout_marginBottom="8dp"
app:layout_constraintVertical_chainStyle="packed"
app:layout_constraintTop_toTopOf="parent" />

<!– 音量可视化卡片 –>
<androidx.cardview.widget.CardView
android:id="@+id/card_volume"
android:layout_width="match_parent"
android:layout_height="wrap_content"
app:cardCornerRadius="16dp"
app:cardElevation="0dp"
app:cardBackgroundColor="#FFFFFF"
android:layout_marginBottom="24dp"
app:layout_constraintTop_toBottomOf="@id/tv_final_decision"
app:layout_constraintBottom_toTopOf="@+id/card_details">

</LinearLayout>
</androidx.cardview.widget.CardView>

<!– 详细指标卡片 –>
<androidx.cardview.widget.CardView
android:id="@+id/card_details"
android:layout_width="match_parent"
android:layout_height="wrap_content"
app:cardCornerRadius="16dp"
app:cardElevation="4dp"
app:cardBackgroundColor="#FFFFFF"
android:layout_marginBottom="32dp"
app:layout_constraintTop_toBottomOf="@id/card_volume"
app:layout_constraintBottom_toTopOf="@+id/btn_toggle">

</androidx.constraintlayout.widget.ConstraintLayout>

2. 样式文件

2.1.progress_bg.xml

<?xml version="1.0" encoding="utf-8"?>
<shape xmlns:android="http://schemas.android.com/apk/res/android">
<corners android:radius="10dp"/>
<solid android:color="#E0E0E0"/>
</shape>

2.2.progress_fill.xml

<?xml version="1.0" encoding="utf-8"?>
<scale xmlns:android="http://schemas.android.com/apk/res/android"
android:scaleWidth="100%">
<shape>
<corners android:radius="10dp"/>
<gradient
android:startColor="#4FC3F7"
android:endColor="#2196F3"
android:angle="0"/>
</shape>
</scale>

3. 核心逻辑 (MainActivity.java)

package com.example.audio_vad;

import android.Manifest;
import android.content.pm.PackageManager;
import android.media.AudioFormat;
import android.media.AudioRecord;
import android.media.MediaRecorder;
import android.os.Bundle;
import android.widget.Button;
import android.widget.ProgressBar;
import android.widget.TextView;
import android.widget.Toast;

import androidx.annotation.NonNull;
import androidx.appcompat.app.AppCompatActivity;
import androidx.core.app.ActivityCompat;
import androidx.core.content.ContextCompat;

import com.konovalov.vad.webrtc.VadWebRTC;
import com.konovalov.vad.webrtc.config.FrameSize;
import com.konovalov.vad.webrtc.config.Mode;
import com.konovalov.vad.webrtc.config.SampleRate;

public class MainActivity extends AppCompatActivity {

private static final int PERMISSION_REQ_CODE = 1001;

// — 音频参数 —
private static final int SAMPLE_RATE_HZ = 16000;
private static final int FRAME_SIZE_MS = 20;
private static final int FRAME_SIZE_SAMPLES = SAMPLE_RATE_HZ * FRAME_SIZE_MS / 1000; // 320

// — 能量门限 —
// 办公室/嘈杂环境建议设为 45.0 – 55.0 dB
// 只有比环境音明显大声的人声才会被检测到
private static final double DB_THRESHOLD = 45.0;

// — 连续帧校验阈值 —
// 连续 5 帧 (100ms) 满足条件才算开始，防止瞬间爆破音误触
private static final int MIN_CONSECUTIVE_FRAMES = 8;

private TextView tvFinalDecision, tvVolumeDb, tvVadRaw, tvDuration;
private ProgressBar pbVolume;
private Button btnToggle;

private boolean isRecording = false;
private AudioRecord audioRecord;
private Thread recordingThread;
private VadWebRTC vad;

// 状态统计
private long lastStateChangeTime = 0;
private boolean lastFinalState = false;

@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
initViews();
setupStrictVad();

btnToggle.setOnClickListener(v -> {
if (isRecording) {
stopRecording();
} else {
checkPermissionAndStart();
}
});
}

private void initViews() {
tvFinalDecision = findViewById(R.id.tv_final_decision);
tvVolumeDb = findViewById(R.id.tv_volume_db);
tvVadRaw = findViewById(R.id.tv_vad_raw);
tvDuration = findViewById(R.id.tv_duration);
pbVolume = findViewById(R.id.pb_volume);
btnToggle = findViewById(R.id.btn_toggle);
}

private void setupStrictVad() {
try {
// — VAD 参数 —
vad = new VadWebRTC(
SampleRate.SAMPLE_RATE_16K,
FrameSize.FRAME_SIZE_320,
Mode.VERY_AGGRESSIVE, // 最激进模式
200, // 启动延时：增加到 200ms。必须连续说话 0.2s 算法才开始介入
500 // 静音延时：500ms，保证说话停顿不被打断
);
} catch (Exception e) {
e.printStackTrace();
Toast.makeText(this, "VAD 初始化失败", Toast.LENGTH_SHORT).show();
btnToggle.setEnabled(false);
}
}

private void checkPermissionAndStart() {
if (ContextCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO)
!= PackageManager.PERMISSION_GRANTED) {
ActivityCompat.requestPermissions(this,
new String[]{Manifest.permission.RECORD_AUDIO}, PERMISSION_REQ_CODE);
} else {
startRecording();
}
}

private void startRecording() {
if (ActivityCompat.checkSelfPermission(this, Manifest.permission.RECORD_AUDIO) != PackageManager.PERMISSION_GRANTED) return;
int minBufferSize = AudioRecord.getMinBufferSize(SAMPLE_RATE_HZ, AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT);

try {
audioRecord = new AudioRecord(MediaRecorder.AudioSource.MIC, SAMPLE_RATE_HZ,
AudioFormat.CHANNEL_IN_MONO, AudioFormat.ENCODING_PCM_16BIT,
Math.max(minBufferSize, FRAME_SIZE_SAMPLES * 10));

audioRecord.startRecording();
isRecording = true;
lastStateChangeTime = System.currentTimeMillis();
btnToggle.setText("停止检测");

recordingThread = new Thread(this::processAudioLoop);
recordingThread.start();

} catch (Exception e) {
e.printStackTrace();
stopRecording();
}
}

private void stopRecording() {
isRecording = false;
if (audioRecord != null) {
audioRecord.stop();
audioRecord.release();
audioRecord = null;
}
recordingThread = null;
btnToggle.setText("开始检测");
tvFinalDecision.setText("已停止");
}

// — 核心处理循环—
private void processAudioLoop() {
short[] audioBuffer = new short[FRAME_SIZE_SAMPLES];

// 连续帧计数器
int speechFrameCounter = 0;
// 最终稳定状态
boolean stableIsSpeech = false;

while (isRecording) {
int readSize = audioRecord.read(audioBuffer, 0, FRAME_SIZE_SAMPLES);
if (readSize > 0) {

// 1. 基础数据获取
boolean isVadSpeech = vad.isSpeech(audioBuffer);
double db = calculateDb(audioBuffer, readSize);

// 2. 单帧初步判定 (双重校验)
// 条件：VAD 认为是人声 AND 音量大于高门限 (55dB)
boolean currentFrameIsSpeech = isVadSpeech && (db > DB_THRESHOLD);

// 3. 连续帧校验 (防抖动)
if (currentFrameIsSpeech) {
// 如果当前帧满足条件，计数器 +1
speechFrameCounter++;
} else {
// 只要断了一帧，立刻清零（严格要求连续性）
speechFrameCounter = 0;
}

// 只有连续满足 N 帧，才判定状态切换为 TRUE
if (speechFrameCounter >= MIN_CONSECUTIVE_FRAMES) {
stableIsSpeech = true;
// 防止计数器无限增长溢出，保持在阈值即可
speechFrameCounter = MIN_CONSECUTIVE_FRAMES;
} else {
// 如果计数器没达到阈值，保持为 FALSE
stableIsSpeech = false;
}

// 4. 更新 UI
boolean finalDecision = stableIsSpeech;
runOnUiThread(() -> updateUi(isVadSpeech, finalDecision, db));
}
}
}

private void updateUi(boolean isVadSpeech, boolean isFinalSpeech, double db) {
pbVolume.setProgress((int) Math.min(Math.max(db, 0), 100));
tvVolumeDb.setText(String.format("音量: %.1f dB", db));

// 动态改变音量文字颜色，辅助调试
if (db > DB_THRESHOLD) {
tvVolumeDb.setTextColor(0xFF2196F3); // 超过阈值显示蓝色
} else {
tvVolumeDb.setTextColor(0xFF000000); // 未超过显示黑色
}

tvVadRaw.setText(" " + isVadSpeech);

// 状态切换计时
if (isFinalSpeech != lastFinalState) {
lastStateChangeTime = System.currentTimeMillis();
lastFinalState = isFinalSpeech;
}
long duration = System.currentTimeMillis() – lastStateChangeTime;
tvDuration.setText(String.format("%d ms", duration));

if (isFinalSpeech) {
tvFinalDecision.setText("🗣️ 正在说话");
tvFinalDecision.setTextColor(0xFFFF0000);
} else {
tvFinalDecision.setText("🔇 保持安静");
tvFinalDecision.setTextColor(0xFFAAAAAA);
}
}

private double calculateDb(short[] buffer, int readSize) {
double sum = 0;
for (short s : buffer) {
sum += s * s;
}
double rms = Math.sqrt(sum / readSize);
return rms > 0 ? 20 * Math.log10(rms) : 0;
}

@Override
public void onRequestPermissionsResult(int requestCode, @NonNull String[] permissions, @NonNull int[] grantResults) {
super.onRequestPermissionsResult(requestCode, permissions, grantResults);
if (requestCode == PERMISSION_REQ_CODE && grantResults.length > 0 &&
grantResults[0] == PackageManager.PERMISSION_GRANTED) {
startRecording();
}
}

@Override
protected void onDestroy() {
super.onDestroy();
stopRecording();
if (vad != null) {
vad.close();
}
}
}

五、效果展示与参数说明

效果展示：

效果：

背景静音：在办公室有空调声、敲键盘声时，状态栏始终显示“🔇 保持安静”。

精准触发：只有当你对着手机正常说话时，状态栏才会瞬间变红显示“🗣️ 正在说话”。

无闪烁：说话结束时，不会因为轻微的尾音而反复跳变。

如何调整参数适配你的环境？

如果觉得检测太难触发，或仍然太敏感，可以调节 MainActivity 顶部的两个参数：

DB_THRESHOLD (推荐 45.0 – 60.0)：
- 调大：更严格，需要更大声说话，适合户外/商场。
- 调小：更灵敏，适合安静卧室/图书馆。
MIN_CONSECUTIVE_FRAMES (推荐 3 – 8)：
- 调大：防抖更强，但开始说话时的延迟会增加（会有种“迟钝感”）。
- 调小：反应极快，但可能误触。

六、总结

通过集成 WebRTC VAD 并结合能量门限与连续帧校验，可以用很少的代码量就实现了一个工业级的语音端点检测模块。这种方案不仅去除了繁重的网络依赖，还解决了实际场景中令人头疼的噪声干扰问题，非常适合用于语音唤醒、离线指令和实时对讲场景。

Android VAD实战：集成 WebRTC VAD 实现高精度离线语音人声检测（抗噪版）

一、为什么选择 WebRTC VAD？

二、快速集成

1. 引入依赖

2. 权限声明

三、核心痛点与优化方案

四、完整代码实现

1. 布局文件 (activity_main.xml)

2. 样式文件

3. 核心逻辑 (MainActivity.java)

五、效果展示与参数说明

如何调整参数适配你的环境？

六、总结

相关推荐

评论抢沙发

热门标签

热门文章

最新文章

归档

分类

一、 为什么选择 WebRTC VAD？

二、 快速集成

1. 引入依赖

2. 权限声明

三、 核心痛点与优化方案

四、 完整代码实现

1. 布局文件 (activity_main.xml)

2. 样式文件

3. 核心逻辑 (MainActivity.java)

五、 效果展示与参数说明

如何调整参数适配你的环境？

六、 总结

相关推荐

评论 抢沙发

热门标签

热门文章

最新文章

归档

分类

一、为什么选择 WebRTC VAD？

二、快速集成

三、核心痛点与优化方案

四、完整代码实现

五、效果展示与参数说明

六、总结

评论抢沙发