我有一些录音（具有相对静态但嘈杂的背景，例如，空旷区域的风），有少量短暂的语音（约 1% 的总音频持续时间）。
以无人监督的方式检测语音发生的好方法是什么？
我在频谱图上尝试过简单的阈值化，但这是有问题的，因为：
这似乎是一项艰巨的任务，但是我可以通过收听音频/查看频谱图轻松注意到语音片段，因为语音的频谱图具有一些独特的结构（尽管依靠该结构进行检测并非易事因为它仍然很不规则）。
专门检测语音是一个众所周知的问题，通常称为语音活动检测(VAD)。最简单的机制只是计算语音频率中能量与总能量的时间平均比率，这个想法在 Github 上的许多实现。语音的音频代码也倾向于包含 VAD 组件。基于 WebRTC 项目的 VAD，可以在libvad中找到一个现代示例。
更一般地，您可以使用Isolation Forest或LocalOutlierFactor等算法尝试异常检测。关键是使用好的特征作为输入。一个好的起点是计算mel-spectrogram或MFCC。频谱图帧应该被归一化，通常通过减去中值/平均值并除以 RMS 能量。在 20-50ms 的单个帧上运行异常检测，然后对分类进行一些过滤以减少错误触发。一个简单的方法是要求 N 个连续的帧被分类为异常，以将其视为真正的异常。或者要求在较大的滚动窗口（例如 200-1000 毫秒）内至少有 P% 的帧。
在 Python 中，您可以使用 librosa 进行音频特征提取，使用 scikit-learn 进行异常检测
请注意，为了评估您的方法，您需要收集和标记测试集。
如果你只需要一个工具来实现它，你可以使用谷歌的 SpeechRecognition 包。这是有关如何使用它的教程。
这很棒，因为它只有在听到一些讲话时才能打开，即使在嘈杂的环境中也很神奇。