Python语音聊天机器人音频路由问题：如何避免识别自身播放音频？

我开发了一个具备音频播放与录制功能的Python语音交互聊天机器人，通过线程同时运行播放与录制代码：

import os
import soundfile as sf
import sounddevice as sd
import speech_recognition as sr

def play_audio(file_name):
    audio_path = os.path.join(path, file_name)
    data, fs = sf.read(audio_path)
    sd.play(data, fs)
    sd.wait()

def rec_audio():
    recog = sr.Recognizer()

    with sr.Microphone() as source:
        print("Listening... From Site Rec..")
        audio = recog.listen(source)

    data = ""

    try:
        data = recog.recognize_google(audio)
        print("User: " + data)

    except sr.UnknownValueError:
        print("Machine coudn't process..")
        play_audio("voice break.mp3")
    except sr.RequestError as ex:
        print("Google side" + str(ex))
        play_audio("RequestError.mp3")

    return data

目前机器人会将自身的音频输出识别为输入，需要解决：

• 如何阻止这种自识别情况
• 是否有应用间音频路由工具可用
• 怎么设置让机器人仅识别麦克风输入，排除自身播放音频

一、代码层面优化（无需额外工具） #

1. 播放时暂停录制线程 #

多线程场景下，直接在播放前暂停录制逻辑，播放完成后恢复，用threading.Event做信号控制：

import threading

# 全局事件控制录制启停
recording_active = threading.Event()
recording_active.set()  # 默认允许录制

def rec_audio():
    recog = sr.Recognizer()
    with sr.Microphone() as source:
        while True:
            recording_active.wait()  # 等待允许录制的信号
            print("Listening... From Site Rec..")
            audio = recog.listen(source)
            
            data = ""
            try:
                data = recog.recognize_google(audio)
                print("User: " + data)
            except sr.UnknownValueError:
                print("Machine coudn't process..")
                play_audio("voice break.mp3")
            except sr.RequestError as ex:
                print("Google side" + str(ex))
                play_audio("RequestError.mp3")
            return data

def play_audio(file_name):
    recording_active.clear()  # 播放前暂停录制
    audio_path = os.path.join(path, file_name)
    data, fs = sf.read(audio_path)
    sd.play(data, fs)
    sd.wait()
    recording_active.set()  # 播放完成恢复录制

2. 用语音活动检测（VAD）过滤无效音频 #

借助webrtcvad库过滤掉低音量或非人声的播放音频，先安装库：pip install webrtcvad，修改录制逻辑：

import webrtcvad

def rec_audio():
    recog = sr.Recognizer()
    vad = webrtcvad.Vad(3)  # 3为最严格检测模式，可根据需求调1-3
    with sr.Microphone() as source:
        print("Listening... From Site Rec..")
        audio = recog.listen(source)
        
        # 转换音频格式适配VAD要求（16kHz采样率、16位宽度）
        raw_audio = audio.get_raw_data(convert_rate=16000, convert_width=2)
        frame_duration = 30  # VAD要求的帧时长，固定30ms
        frame_size = int(16000 * frame_duration / 1000) * 2  # 每帧字节数
        frames = [raw_audio[i:i+frame_size] for i in range(0, len(raw_audio), frame_size)]
        
        # 检测是否包含有效人声
        has_valid_speech = any(vad.is_speech(frame, 16000) for frame in frames)
        if not has_valid_speech:
            return ""  # 无有效人声直接返回空
        
        data = ""
        try:
            data = recog.recognize_google(audio)
            print("User: " + data)
        except sr.UnknownValueError:
            print("Machine coudn't process..")
            play_audio("voice break.mp3")
        except sr.RequestError as ex:
            print("Google side" + str(ex))
            play_audio("RequestError.mp3")
        return data

二、系统级音频路由工具 #

如果不想修改代码，可通过系统工具隔离输入输出：

• Windows：使用VoiceMeeter，将机器人播放输出设置到虚拟音频设备，录制时指定物理麦克风：
  1. 安装VoiceMeeter后，在系统声音设置中将默认播放设备设为VoiceMeeter虚拟输出；
  2. 在VoiceMeeter界面，把物理麦克风设为输入，实际扬声器设为输出；
  3. 代码中指定麦克风设备：sr.Microphone(device_index=你的麦克风索引)，可用sr.Microphone.list_microphone_names()查看所有设备索引。
• macOS：使用BlackHole或Soundflower创建虚拟音频设备，将机器人播放路由到虚拟设备，录制时选择物理麦克风即可。
• Linux：使用pavucontrol（PulseAudio音量控制），在「录制」选项卡中，将机器人的录制来源强制设置为物理麦克风，而非「Monitor of 扬声器」。

三、硬件层面隔离 #

最省心的方式是用带监听屏蔽功能的麦克风，或者用耳机播放机器人音频，避免扬声器声音回传到麦克风。

内容的提问来源于stack exchange，提问作者SmokeSyd