3 秒 16 kHz 音频切成 298 帧，门限取峰值能量的 25%（0.1063），检测出 2 段语音， 与埋进去的两段相比起终点各差 1~4 帧。语音总时长 1.45 秒，只占 48%——一半是静音。
上一节处理文本，这一节处理声音。 语音聊天看着最像「AI」，其实它是本章链条最长的一个：四段接力，任何一段塌了后面全废。
一、语音聊天是四段接力
语音识别 → 语言理解 → 生成回答 → 语音合成。四段，缺一段都聊不起来。 第一段之前还有一道门：端点检测。它把静音切掉，只把真正有声音的部分送进识别模型。 这道门看着不起眼，却决定两件事：省多少算力，以及开头结尾的字会不会被削掉。 Demo 只做这一道门。 后面三段都要模型，沙箱里装不了，也调不到在线接口——这一点我在本节末尾会再说一次。
二、分帧：把连续的声音切成小片
声音是一串采样点。16 kHz 就是每秒 16000 个点，3 秒就是 48000 个点。 帧长 25 毫秒（400 点），帧移 10 毫秒（160 点）。相邻帧重叠 15 毫秒。 为什么要重叠？声音的特征在帧边界上会突变，重叠能让特征平滑过渡，也让短促的音不会被切在缝里丢掉。 3 秒按 10 毫秒一帧算，看着像 300 帧，实际算出 298 帧。差的两帧是首尾凑不满一整个窗被丢掉的。 每帧算一个能量（采样点平方的均值），就得到一条能量曲线。这一步是纯算术，不需要任何模型。
三、门限怎么定：峰值的 25%
门限不能写死一个绝对数。换一支麦克风、录音音量差十倍，绝对门限就全废。 所以取峰值能量的 25%，本例算出来是 0.1063。 25% 这个比例是我定的。定高了，说话声轻的地方会被当静音切掉；定低了，呼吸和底噪会被当成语音留下来。 Demo 还算了过零率，中位数是 0.029。 过零率是波形穿过零点的频繁程度：浊音（a、o 这类）波形慢，过零率低； 清音（s、f 这类）接近噪声，过零率高。 工业上的端点检测不会只用能量。能量加过零率，再叠一个几十 KB 的小网络，才在嘈杂环境里稳得住。
四、检测结果：差几个帧，够用
埋进去的两段是 0.40~1.05 秒和 1.55~2.45 秒。检测出来是 0.41~1.02 和 1.57~2.41。 起点差 1~2 帧，终点差 3~4 帧，也就是 10 到 40 毫秒。这个误差对人耳没影响，对识别模型也够用。 终点普遍偏早，是这套方法的固有偏差：能量掉到门限以下就判结束，而人说话结尾的音往往很轻，先掉下去。 语音总时长 1.45 秒，占 48%。 也就是说一半时间在静音——砍掉这一半，后面的识别模型就省了一半的活。 这个取舍没有标准答案：门限调低会多留静音（多算但安全），调高会削字头字尾（省算但丢内容）。 要看后面接的是什么模型、能容忍多少延迟。 最后把话说清：这个 Demo 只跑到「切出语音段」。 真要做语音聊天，还需要声学模型做识别、语言模型做理解与生成、声码器做合成，这三样沙箱里都没有， 我也不会假装跑过。
五、动手 Demo：语音端点检测：把静音切掉，只留说话段
合成一段 3 秒 16 kHz 音频，在两段指定区间里填带包络的谐波、其余填低幅噪声； 按 25 毫秒窗、10 毫秒移分帧，算每帧能量； 门限取峰值能量的 25%，把连续超门限的帧合并成段，再把帧号换算回秒，最后和埋进去的真实区间对比。
win, hop = int(0.025 * sr), int(0.010 * sr) # 400 / 160
n = 1 + (len(x) - win) // hop # 298 帧
e = np.array([np.mean(x[i * hop:i * hop + win] ** 2)
for i in range(n)])
thr = 0.25 * e.max()
on = e > thr
# 连续为 True 的帧并成一段，再按帧号换算回秒
实跑输出：
--------------------------------------------------------------------
语音端点检测：把静音切掉，只留说话段
--------------------------------------------------------------------
采样率 16000 Hz，时长 3.0 秒
分帧 窗 25 毫秒，帧移 10 毫秒，共 298 帧
能量门限 峰值能量的 25% ＝ 0.1063
过零率中位数 0.029
真实语音段（我埋的）：
0.40 ~ 1.05 秒
1.55 ~ 2.45 秒
检测到的段：
起点(秒) 终点(秒) 时长(秒)
-----------------------------
0.41 1.02 0.61
1.57 2.41 0.84
段数 检测 2，真实 2
语音总时长 1.45 秒（占 48%）
能量曲线（每 10 毫秒一帧，按帧序号）：
* **
* * * *
*
* * *
*
*
**** **** ****
^ 高 0.4240 低 0.0110
端点检测是所有语音系统的第一道门：它砍掉静音，
后面的识别模型就只需要处理真正有声音的那几秒。
砍得准，能省一半算力；砍错了，开头结尾的字就丢了。
这个 Demo 只到「切出语音段」。后面的语音识别（ASR）和
语音合成（TTS）都要模型，沙箱里装不了，也调不到在线接口。
所以「语音聊天」这个实例，能真跑的是前面这一段。
298 帧不是 300。 算法是 1 加 (48000 减 400) 整除 160，得 1 加 297 等于 298，最后一帧凑不满一个窗就被丢了。 门限 0.1063 正好落在语音段和静音段之间，所以两段都检出来了。 这个数不是调出来的，是峰值乘 0.25 算出来的。 两段时长 0.61 秒和 0.84 秒，加起来 1.45 秒，占全长 48%。另一半是静音，被砍掉。 能量曲线那张图能看出两团高能量区，中间掉下去一段——那就是两句之间的停顿。 曲线是用字符画的，一列一帧，横向缩过，只表示形状不表示精确值。
30 秒实验
- 把门限比例从 25% 改成 10% 和 50%，看检测出几段、语音总时长怎么变。
- 把帧移从 10 毫秒改成 25 毫秒，看段边界精度差多少。
- 想一想：为什么终点误差比起点误差大？
常见误区
- 「语音聊天就是语音识别」——它是四段接力，识别只是第一段。
- 「门限可以写死一个数」——录音音量差十倍就全废，得按峰值取比例。
- 「静音切掉不影响结果」——切早了削字头，切晚了白算，两头都疼。
自测三问（点开对答案）
1. 端点检测在整条语音链路里起什么作用？ —— 砍掉静音，只把有声段送进识别模型，省算力也省延迟。 2. 为什么门限要用峰值的比例，而不是一个固定值？ —— 录音音量差异很大，固定值换支麦克风就失效。 3. 本例的终点为什么普遍偏早？ —— 能量掉到门限以下就判结束，而句尾的字往往很轻，先掉下去。第五章到此结束。下一章进自然语言处理，把这一章零散摸到的文本处理，系统地讲一遍。
- ☐ （本章完，下一节 6.1.1 概念解读：什么是自然语言处理？）