如何使用Microsoft Azure语音认知SDK检测语音起始及二次说话触发？

针对你使用microsoft-cognitiveservices-speech-sdk ^1.32.0实现STT时的需求，核心问题在于recognizeOnceAsync是单次识别模式，无法获取语音起始事件。推荐改用连续识别模式来实现精准的时间差判断，以下是具体实现思路和代码示例：

一、核心方案：使用连续识别模式监听语音起止事件 #

连续识别模式支持注册speechStartDetected和speechEndDetected事件，能直接获取语音的开始/结束时间点，以此计算两次语音的间隔：

1. 初始化语音识别器，注册关键事件
2. 维护变量记录上一次语音结束的时间戳
3. 在语音开始事件中计算与上次结束的时间差，判断是否在2-3秒范围内

代码示例（JavaScript） #

const SpeechSDK = require("microsoft-cognitiveservices-speech-sdk");

// 初始化配置
const speechConfig = SpeechSDK.SpeechConfig.fromSubscription("你的订阅密钥", "你的区域");
const audioConfig = SpeechSDK.AudioConfig.fromDefaultMicrophoneInput();
const recognizer = new SpeechSDK.SpeechRecognizer(speechConfig, audioConfig);

let lastSpeechEndTime = null;
const DETECT_INTERVAL = 3000; // 设置为3秒阈值，可调整为2000-3000之间

// 监听语音开始事件
recognizer.speechStartDetected = (sender, event) => {
  if (lastSpeechEndTime) {
    const timeGap = Date.now() - lastSpeechEndTime;
    if (timeGap <= DETECT_INTERVAL) {
      console.log("检测到上一次语音结束后3秒内再次说话");
      // 此处执行你的业务逻辑，比如标记连续说话状态
    }
  }
};

// 监听语音结束事件，更新时间戳
recognizer.speechEndDetected = (sender, event) => {
  lastSpeechEndTime = Date.now();
};

// 监听识别结果（可选，根据业务需求处理）
recognizer.recognized = (sender, event) => {
  if (event.result.reason === SpeechSDK.ResultReason.RecognizedSpeech) {
    console.log(`识别结果：${event.result.text}`);
  }
};

// 启动连续识别
recognizer.startContinuousRecognitionAsync();

// 资源清理：在不需要识别时调用
// recognizer.stopContinuousRecognitionAsync();
// recognizer.close();

二、变通方案：基于recognizeOnceAsync的循环调用（不推荐） #

如果必须使用单次识别模式，可以通过循环调用recognizeOnceAsync+定时器的方式实现，但精度不如连续模式：

• 每次recognizeOnceAsync返回结果后，启动一个2-3秒的定时器
• 如果定时器触发前，新的recognizeOnceAsync被触发（说明检测到语音），则判定为连续说话
• 注意：此方法依赖SDK的语音活动检测（VAD）触发时机，可能存在一定延迟，且容易受环境噪音影响

注意事项 #

• 可通过调整SDK的VAD参数优化检测精度，比如设置语音结束超时：

  speechConfig.setProperty(SpeechSDK.PropertyId.SpeechServiceConnection_VoiceActivityDetectionTimeoutMs, "2000");
  

• 确保麦克风输入正常，避免背景噪音导致误触发语音起止事件

内容的提问来源于stack exchange，提问作者AceDev