我想建立一个持续倾听我的个人助理。

流程如下所示：

1. 连续录音
2. 将其流式传输到谷歌语音 api。
3. 实时取回文本->解析意图等。

问题是，如果你录制几个小时，谷歌语音 api 会变得很昂贵。一个更好的方法是只提交我实际与之交谈的部分。然后运行这个全职（每天 17 小时，每天）的成本变得非常容易获得。现在我的问题是：

如何检测麦克风流中是否存在语音？

我在后台有很多噪音，哑巴increase in volume detection不是一个很好的解决方案。我需要更智能的东西。它不需要非常准确——只要足够好，不会破坏我的云计算预算。我认为人类的声音听起来足够清晰，以至于检测何时存在并不是什么大问题。

鉴于这是一个实时流 - 不是音频文件，你建议我做什么。

音频将在铬浏览器（电子）中生成 - 使用getUserMediaAPI，并使用node.js我计划处理流逻辑。

注意：有一个内置的speechRecognition api-electron但根据我的经验，它目前不起作用（即使在我给它我的 API 密钥之后也不行），即使可以工作，我认为它也有同样的成本问题。所以这就是为什么我试图提供我自己的实现。

我不知道我在做什么，欢迎任何见解:) 谢谢。