如果能静音一段时间默认停止并转换文字、等待下一段声音出现再重新开始就更好了

[shandianchengzi]

类似讯飞或者搜狗的 长文本 与 短对话 两种模式并存，短对话时不考虑静音直接转文字、长文本的模式时静音或无人声自动中断录音。注意到作者有实现过对视频中的无人声部分进行加速，技术实现上无人声识别应该是可以参考的。

如果能够实现不用松开按键也检测人声，就可以做到睡梦中（指躺在床上啥也不碰啥也不看）写完讲演初稿（bushi），在没有遇到你的工具之前我一直拿搜狗输入法这样做。要自己控制才停的模式怕语音过长最后转换时间太长而失败，或者出错之后不记得上文而无法修正。

我也会尝试自己去实现这个功能，只是我比较菜就算实现了功能逻辑也做不出无人声自动中断，只能做出声音大小低于阈值一段时间自动中断。

[HaujetZhao]

这个我尝试了，流式模型可以做，但是识别效果准确率很低。

如果用非流式模型，这两种方案，

第一种：把音频分为一段一段，每一段例如15秒或者30秒，但如果15秒钟或者30秒之间，没有人说话，是静音的音频片段，有极大的概率产生幻觉识别。

第二种：用 Voice Activiey Detection (VAD) 检测语音并截取片段进行识别，他的问题是小声说话，可能会漏掉开头或结尾的一两个字的轻音。

更新了新版，支持无限时长的语音识别了，为了保证识别的准确率，使用了第一种方案。

[shandianchengzi]

这个我尝试了，流式模型可以做，但是识别效果准确率很低。

如果用非流式模型，这两种方案，

第一种：把音频分为一段一段，每一段例如15秒或者30秒，但如果15秒钟或者30秒之间，没有人说话，是静音的音频片段，有极大的概率产生幻觉识别。

第二种：用 Voice Activiey Detection (VAD) 检测语音并截取片段进行识别，他的问题是小声说话，可能会漏掉开头或结尾的一两个字的轻音。

更新了新版，支持无限时长的语音识别了，为了保证识别的准确率，使用了第一种方案。

感谢大佬，VAD识别人声确实会有出错的可能性。我最初没考虑分段是觉得会存在一些问题，比如在长对话中，如果每个分段的间隔恰好是一句话或者一句话的某个词中间，那这句话可能会被意外切割成两句话并且识别不准确。但是其实这部分问题人工修正也不麻烦，能分段已经很实用了，感谢！

[HaujetZhao]

每两段之间有 2 秒的重叠，识别结果有字级时间戳，然后会合并会去除重叠的 tokens ，以避免从一个词中间切断，2 秒的重叠时长足够了。