作为我之前问题的后续，我想知道是否存在任何语音检测库。通过语音检测，我的意思是传入音频缓冲区并获取语音开始和停止位置的索引。因此，如果我在 44kHz 处进行 10 秒的音频采样，我会期望一个数字数组，例如：
44000
88000
123000
190334
...
例如，这将表明语音从一秒开始，然后在两秒结束，等等。
我不寻找的是从口语中写出文本的语音识别。不幸的是，这是我在谷歌“语音检测”时看到的很多内容。
当我正在为 iPhone 编写应用程序时，如果库是 C、C++ 甚至是 Objective-C 语言，那就太好了。
谢谢！
在回答您的那个问题时，我曾提到语音活动检测是 G.729 等编解码器的标准功能。
您应该寻找适用于此的算法的参考编码器和解码器。
一个这样的例子是 - http://www.voiceage.com/openinit_g729.php
另一个可能的来源是 Speex 编解码器。哪个实现了 VAD
顺便说一句：你应该用谷歌搜索“语音活动检测”或“话音检测”而不是“语音检测”。
Sphinx 和 Freeswitch 项目中有开源实现。我认为它们都是基于能量的探测器，不需要任何类型的模型。
Sphinx 4（Java，但应该很容易移植到 C/C++）
答案取自Stackoverflow 问题。
使用自适应阈值的语音活动检测非常容易在任何平台上实现
在这里你可以有一个基于自适应能量的算法
当您第一次计算时，对上述算法的小补充去取平均能量并标记为 Emin
在这种情况下，您传递的框架分为子框架，您可以进一步检查每个子框架的活动
您可以克服重叠帧的更多问题
LibVAD 怎么样？
似乎这正是您所描述的。
披露：我是 LibVAD 背后的开发者