我正在寻找开发一个Android应用程序。作为功​​能的一部分，该应用程序需要随机采样 3-5 秒的音频并将其分类为是否包含人类语音。我明白这个概念叫做语音活动检测？

在手机上实现此功能的最佳方法是什么。我使用基于能量的特征和阈值开发了一个基本系统。我希望找到不太容易受到噪音影响的东西，可能使用 MFCC 或共振峰等功能？我确实浏览了许多论文，但其中大多数都需要我收集数据和训练模型。我可以使用任何可以实时工作的库或框架吗？