使用WebRTC语音活动检测器对Websockets传输的VOIP实时音频进行检测

Question

我正在尝试为通过websocket传输的VOIP呼叫设置WebRTC语音活动检测器(VAD)，以检测呼叫者何时停止通话。

大多数关于WebRTC VAD的教程和问题都是基于录制的音频文件，而不是基于实时流。我想知道如何在websocket上实时实现VOIP呼叫。

根据py-webrtcvad文档(https://pypi.org/project/webrtcvad/)：

给它一个短片段(“帧”)的音频。WebRTC VAD只接受16位单声道音频，采样频率为8000、16000或32000赫兹.帧的持续时间必须为10、20或30 ms。

如何将来自websocket的原始音频流转换为上面所需的WebRTC VAD才能工作呢？

Answer 1

要使用VAD，需要正确的块大小。https://github.com/wiseman/py-webrtcvad/issues/30

- For example, if your sample rate is 16000 Hz, then the only allowed 
frame/chunk sizes are: 
    16000 * ({10,20,30} / 1000) = 160, 320 or 480 samples.
- Since each sample is 2 bytes (16 bits), the only allowed frame/chunk sizes are 
320, 640, or 960 bytes.