语音活动检测 VAD 灵敏度

2026-05-12

功能说明

判断用户是否真正开始说话，从而触发语音识别、判断是否打断AI说话。在过滤环境噪音等影响后，主要通过以下指标综合判断：

说话音量阈值 VAD.VoiceDetectConfig.SensitiveConfig.EnergyThreshold。音量越大，则用户开始说话的可能性越大。
有效语音时间长短 VAD.VoiceDetectConfig.SensitiveConfig.MinSpeechDur。时间越长，则用户开始说话的可能性越大。通过合理的调节这两个参数，可以防止轻声表示赞同或思考的"嗯···"、"喔···"、"确实···"等，但是也可能影响正常音量大小的短句识别和打断，例如"哈喽"、"你好"、"停"等。因此需要根据互动的环节进行合理调节。

参数说明

影响语音打断灵敏度的参数在创建/更新智能体实例的 VAD 参数中。可参考创建智能体实例 > Body > VAD 参数说明。详细说明如下：

参数名	类型	必填	说明
VAD.VoiceDetectConfig.SensitiveConfig.Level	Int	否	用于控制 VAD 的敏感度级别。取值范围 [0,3]： 0：中等敏感度,默认值 1：低敏感度 2：高敏感度 3：自定义模式,需配合 MinSpeechDur 和 EnergyThreshold 使用
VAD.VoiceDetectConfig.SensitiveConfig.MinSpeechDur	Int	否	用于设置 VAD 检测的最小说话时长阈值,低于该时长的语音片段将被过滤。单位毫秒,取值范围 [0,1000]。值越大,越不容易误检,但可能会引起有些短语音漏检。注意：仅在 Level 设置为 3（自定义模式）时生效。
VAD.VoiceDetectConfig.SensitiveConfig.EnergyThreshold	Float	否	用于设置 VAD 的能量阈值,用于区分语音和噪音。取值范围 [0,1]。值越小,灵敏度越高；值越大,灵敏度越低。VAD 通过计算音频信号的能量值来判断是否为语音,当音频能量超过此阈值时判定为语音活动,低于该阈值则认为是静音或噪音。注意：仅在 Level 设置为 3（自定义模式）时生效。

当前 AI Agent 服务默认提供三种打断灵敏度（Level）可选，其对应参数值和效果说明如下：

灵敏度等级 Level	参数值（EnergyThreshold,MinSpeechDur）	无意义短词、语气词、咳嗽、哈切等声音的不打断效果	有意义短词的打断识别效果
低(Level=1)	0.4,100	好	较差
中(默认)(Level=0)	0.2,0	较好	较好
高(Level=2)	0.1,0	差	好

如果预定义的灵敏度等级无法满足业务需求，可以通过设置 Level=3（自定义模式），更精细地调整 MinSpeechDur 和 EnergyThreshold 这两个参数控制打断灵敏度。

使用示例

使用默认打断灵敏度Level

注册智能体、创建智能体实例时，不传入 VAD 参数或仅传入空的 VAD 参数，则使用默认的 Level = 0（中等敏感度）。若需显示指定 Level 参数，通过传入 VAD 相关参数：

{
    "VAD": {
        "VoiceDetectConfig": {
            "SensitiveConfig": {
                "Level": 1 // 0 = medium（中等敏感度,默认值）,1 = low（低敏感度）,2 = high（高敏感度）,3 = custom（自定义模式,需配合 MinSpeechDur 和 EnergyThreshold 使用）
            }
        }
    }
}

{
    "VAD": {
        "VoiceDetectConfig": {
            "SensitiveConfig": {
                "Level": 1 // 0 = medium（中等敏感度,默认值）,1 = low（低敏感度）,2 = high（高敏感度）,3 = custom（自定义模式,需配合 MinSpeechDur 和 EnergyThreshold 使用）
            }
        }
    }
}

自定义调节打断参数MinSpeechDur、EnergyThreshold

注册智能体、创建智能体实例时，若需显示指定 Level、MinSpeechDur、EnergyThreshold 参数，通过传入 VAD 相关参数：

{
    "VAD": {
        "VoiceDetectConfig": {
            "SensitiveConfig": {
                "Level": 3, // 3 = custom（自定义模式,需配合 MinSpeechDur 和 EnergyThreshold 使用）
                "MinSpeechDur": 100, // 用于设置 VAD 检测的最小说话时长阈值,低于该时长的语音片段将被过滤。单位毫秒,取值范围 [0,1000]。值越大,越不容易误检,但可能会引起有些短语音漏检。
                "EnergyThreshold": 0.1 // 用于设置 VAD 的能量阈值,用于区分语音和噪音。取值范围 [0,1]。值越小,灵敏度越高；值越大,灵敏度越低。
            }
        }
    }
}

{
    "VAD": {
        "VoiceDetectConfig": {
            "SensitiveConfig": {
                "Level": 3, // 3 = custom（自定义模式,需配合 MinSpeechDur 和 EnergyThreshold 使用）
                "MinSpeechDur": 100, // 用于设置 VAD 检测的最小说话时长阈值,低于该时长的语音片段将被过滤。单位毫秒,取值范围 [0,1000]。值越大,越不容易误检,但可能会引起有些短语音漏检。
                "EnergyThreshold": 0.1 // 用于设置 VAD 的能量阈值,用于区分语音和噪音。取值范围 [0,1]。值越小,灵敏度越高；值越大,灵敏度越低。
            }
        }
    }
}