求无需第三方服务、可在手机运行的音频说话人时长统计软件及方案

• Audacity（含移动端移植版）：通过Voice Activity Detection（VAD）插件标记所有有声片段，手动或用简单脚本区分不同说话人后，选中对应片段即可查看累加时长，全程本地处理，无云服务依赖。
• WaveSurfer：开源音频分析工具，支持VAD自动分段，可通过内置脚本或手动标注说话人，快速统计各说话人的发声总时长，轻量且适配移动端开源移植版本。
• 移动端本地工具：部分音频编辑类APP如Voice Recorder & Audio Editor支持本地说话人分段与时长统计，无需上传云端，可直接在手机端完成操作。

核心逻辑是语音活动检测（VAD）+ 轻量说话人聚类，无需完整语音识别：

1. 语音活动检测（VAD）：集成WebRTC开源VAD模型，该模型体积小、计算量低，能快速区分音频中的有声/无声片段，直接在移动端本地运行，无需联网。
2. 轻量说话人聚类：提取有声片段的基础声学特征（如MFCC均值、方差），用简单聚类算法（如K-Means、DBSCAN的轻量实现）对片段分组。因为仅需统计时长，无需精准识别说话人身份，这种轻量方案足以满足需求，双人对话场景准确率接近100%，多人场景误差可接受。
3. 时长统计：对每个聚类后的说话人片段集合，累加所有片段的时长即可得到结果。

技术栈参考 #

• Android：使用org.webrtc:voice-engine库实现VAD，搭配开源MFCC提取工具与轻量聚类算法（如自行实现K-Means）。
• iOS：基于AVFoundation处理音频，集成WebRTC VAD的iOS适配版本，通过Core ML部署轻量聚类模型或手动实现算法。
• 跨平台：Flutter可借助flutter_webrtc插件实现VAD，自定义聚类逻辑完成分组统计。

内容的提问来源于stack exchange，提问作者JacopoStanchi