Python命令行个人助手“Hey Siri”热词监听优化方案咨询

嘿，这个问题我之前帮不少开发者解决过——用while循环轮询监听确实会有延迟、漏指令的问题，核心原因是每次循环都要完成一次「启动麦克风→采集固定时长音频→调用识别API」的流程，中间的间隙和固定时长限制，要么漏听热词起始点，要么频繁调用API拖慢响应速度。给你几个更优的方案，尤其是结合**语音活动检测（VAD）**的思路，完美匹配你说的「无语音时停止识别循环」的需求：

1. 为什么你的当前方案存在缺陷？ #

你的while循环每次都要触发完整的识别流程，无语音时也在做无效的识别请求，既浪费资源，又因为固定采集时长的限制，很容易错过热词的起始部分（比如热词刚好在两次循环间隙开始）。

2. 核心思路：用VAD只在有语音时触发识别 #

语音活动检测（VAD）可以实时分析音频流，精准判断当前是否有人说话。我们可以让麦克风持续采集音频流，用VAD检测到语音后再启动热词识别逻辑；无语音时，只做音频采集和VAD检测，不调用识别API——这样既节省资源，又能保证连续监听，不会错过热词。

3. 具体实现：用webrtcvad配合speech_recognition #

webrtcvad是谷歌开源的轻量级VAD库，准确率高、性能优秀，非常适合实时场景。下面是完整的可运行示例：

首先安装依赖：

pip install speechrecognition webrtcvad pyaudio

然后是核心代码：

import speech_recognition as sr
import webrtcvad
import collections
import sys

def main():
    # 初始化VAD，设置灵敏度（0-3，数值越高对噪音越严格）
    vad = webrtcvad.Vad(1)
    # VAD要求的标准音频参数：16kHz采样率、单声道、16位深度
    sample_rate = 16000
    chunk_duration_ms = 30  # VAD需要30ms的音频块作为检测单元
    chunk_size = int(sample_rate * chunk_duration_ms / 1000)

    # 初始化识别器和麦克风
    r = sr.Recognizer()
    mic = sr.Microphone(sample_rate=sample_rate)

    # 首次运行校准麦克风，降低环境噪音干扰
    print("请安静，正在校准麦克风...")
    with mic as source:
        r.adjust_for_ambient_noise(source, duration=1)
    print("校准完成，等待热词唤醒...")

    # 用队列保存音频块，方便拼接完整的语音片段
    ring_buffer = collections.deque(maxlen=20)  # 最多保存600ms的音频
    triggered = False  # 标记是否检测到连续语音

    with mic as source:
        while True:
            # 读取30ms的音频块
            audio = r.record(source, duration=chunk_duration_ms/1000)
            # 转换为VAD要求的PCM格式
            pcm_data = audio.get_raw_data(convert_rate=sample_rate, convert_width=2)
            
            # 判断当前音频块是否包含语音
            is_speech = vad.is_speech(pcm_data, sample_rate)

            if not triggered:
                ring_buffer.append((pcm_data, is_speech))
                # 连续检测到3个语音块，判定为开始说话
                num_voiced = len([chunk for chunk, speech in ring_buffer if speech])
                if num_voiced > 3:
                    triggered = True
                    print("检测到语音，准备识别热词...")
            else:
                ring_buffer.append((pcm_data, is_speech))
                # 连续10个无语音块，判定为说话结束
                num_unvoiced = len([chunk for chunk, speech in ring_buffer if not speech])
                if num_unvoiced > 10:
                    triggered = False
                    # 拼接完整的语音片段
                    full_audio = b''.join([chunk for chunk, _ in ring_buffer])
                    ring_buffer.clear()

                    # 转换为speech_recognition可处理的AudioData对象
                    audio_data = sr.AudioData(full_audio, sample_rate, 2)
                    try:
                        # 识别语音内容
                        text = r.recognize_google(audio_data, language='zh-CN')
                        print(f"识别内容: {text}")
                        # 判断是否触发热词（可根据需求调整匹配规则）
                        if "hey siri" in text.lower():
                            print("热词唤醒成功！请说出你的指令...")
                            # 这里添加后续指令处理逻辑
                            command_audio = r.listen(source)
                            command_text = r.recognize_google(command_audio)
                            print(f"你的指令: {command_text}")
                    except sr.UnknownValueError:
                        print("无法识别语音，请重试")
                    except sr.RequestError as e:
                        print(f"调用Google识别服务失败: {e}")

if __name__ == "__main__":
    try:
        main()
    except KeyboardInterrupt:
        print("\n程序已退出")
        sys.exit()

4. 关键优化点说明 #

• VAD灵敏度调整：如果环境噪音大，可将webrtcvad.Vad(1)的参数调至2或3；安静环境用0或1即可。
• 语音片段拼接：用队列保存音频块，避免固定时长采集截断语音，保证完整捕获热词。
• 噪音校准：启动时的adjust_for_ambient_noise能有效降低环境噪音对识别的干扰，建议保留。

5. 其他可选方案 #

如果不想自己实现VAD逻辑，也可以用现成的热词唤醒库：

• porcupine：专门的热词唤醒工具，支持自定义热词，准确率极高，免费版可用于非商业场景。
• snowboy：开源离线热词库，适合无网络场景，但维护活跃度不如porcupine。

不过结合webrtcvad的方案完全免费开源，适配你的命令行助手场景最划算。

内容的提问来源于stack exchange，提问作者Markandeya