在linux上如何做一个简单的vad功能，即录音时说话停止即录音停止。

今天找了科大讯飞的语音识别库，感觉只有后半部分，想实现前半部分的采集却找不到可以用的东西。于是自己做一个。

可以随便拿个开源的代码改一下，我们就使用arecord吧。

这只是个简单的端点检测，根据声音能量，也就是分贝大小来调整的。

下载源码：

http://www.alsa-project.org/main/index.php/Main_Page

arecord在alsa的alsa-utils里面。当然依赖于Library (alsa-lib)，所以两个都要下下来

下载页在这：

http://www.alsa-project.org/main/index.php/Download

然后在本地就可以编译了。编译时会提示需要各种工具，直接按提示下载即可。 我用的是ubuntu直接apt-get，就得到了。

编好之后，进入aplay文件夹下。可以看到arecord其实是一个链接链到aplay了。aplay.c就是源码，我们直接改它就行

一：定义变量：

95行左右,

static char *command;
static snd_pcm_t *handle;
static struct {
snd_pcm_format_t format;
unsigned int channels;
unsigned int rate;
} hwparams, rhwparams;
static int timelimit = 0;
//add by ljh 
static int silflag = 0;     //出现静音情况
static off64_t silcount= 0; //j静音时要收到的包
static int enablesil = 0; //启用静音检测状态

1648行，修改函数如下

static void print_vu_meter_mono(int perc, int maxperc)//因为是单音输入，所以我们只改这一块，调用时配合mono设置。
{
const int bar_length = 50;
char line[80];
int val;

//add by ljh
if(perc>=2)//speak
{
enablesil = 1;// sel open
silflag = 0;
}else if(silflag==0)//into silflag
{
//init silcount  1s
silcount = 2* snd_pcm_format_size(hwparams.format, hwparams.rate * hwparams.channels);
silflag =1; 
}else // already silence
{
}


for (val = 0; val <= perc * bar_length / 100 && val < bar_length; val++)
line[val] = '#';
for (; val <= maxperc * bar_length / 100 && val < bar_length; val++)
line[val] = ' ';
line[val] = '+';
for (++val; val <= bar_length; val++)
line[val] = ' ';
if (maxperc > 99)
sprintf(line + val, "| MAX");
else
sprintf(line + val, "| %02i%%", maxperc);
fputs(line, stderr);
if (perc > 100)
fprintf(stderr, _(" !clip  "));
}


最后是capture函数，分别在 3050和3103处修改：

static void capture(char *orig_name)
{
int tostdout=0;/* boolean which describes output stream */
int filecount=0;/* number of files written */
char *name = orig_name;/* current filename */
char namebuf[PATH_MAX+1];
off64_t count, rest;/* number of bytes to capture */
struct stat statbuf;


/* get number of bytes to capture */
count = calc_count();
if (count == 0)
count = LLONG_MAX;
/* compute the number of bytes per file */
max_file_size = max_file_time *
snd_pcm_format_size(hwparams.format,
   hwparams.rate * hwparams.channels);
/* WAVE-file should be even (I'm not sure), but wasting one byte
  isn't a problem (this can only be in 8 bit mono) */
if (count < LLONG_MAX)
count += count % 2;
else
count -= count % 2;


/* display verbose output to console */
header(file_type, name);


/* setup sound hardware */
set_params();


/* write to stdout? */
if (!name || !strcmp(name, "-")) {
fd = fileno(stdout);
name = "stdout";
tostdout=1;
if (count > fmt_rec_table[file_type].max_filesize)
count = fmt_rec_table[file_type].max_filesize;
}
init_stdin();


//add by ljh
silcount = 2* snd_pcm_format_size(hwparams.format, hwparams.rate * hwparams.channels);


do {
/* open a file to write */
if(!tostdout) {
/* upon the second file we start the numbering scheme */
if (filecount || use_strftime) {
filecount = new_capture_file(orig_name, namebuf,
    sizeof(namebuf),
    filecount);
name = namebuf;
}

/* open a new file */
if (!lstat(name, &statbuf)) {
if (S_ISREG(statbuf.st_mode))
remove(name);
}
fd = safe_open(name);
if (fd < 0) {
perror(name);
prg_exit(EXIT_FAILURE);
}
filecount++;
}


rest = count;
if (rest > fmt_rec_table[file_type].max_filesize)
rest = fmt_rec_table[file_type].max_filesize;
if (max_file_size && (rest > max_file_size)) 
rest = max_file_size;


/* setup sample header */
if (fmt_rec_table[file_type].start)
fmt_rec_table[file_type].start(fd, rest);


/* capture */
fdcount = 0;
while (rest > 0 && recycle_capture_file == 0 && !in_aborting) {
size_t c = (rest <= (off64_t)chunk_bytes) ?
(size_t)rest : chunk_bytes;
size_t f = c * 8 / bits_per_frame;
if (pcm_read(audiobuf, f) != f)
break;
if (write(fd, audiobuf, c) != c) {
perror(name);
prg_exit(EXIT_FAILURE);
}
count -= c;
rest -= c;
fdcount += c;


//add by ljh
if(silflag == 1 && enablesil == 1)//silence  sil open
{
silcount -= c;
if(silcount <= 0)// after 1s 
{
// game over
count = 0;
rest = 0;
}
}
}


/* re-enable SIGUSR1 signal */
if (recycle_capture_file) {
recycle_capture_file = 0;
signal(SIGUSR1, signal_handler_recycle);
}


/* finish sample container */
if (fmt_rec_table[file_type].end && !tostdout) {
fmt_rec_table[file_type].end(fd);
fd = -1;
}


if (in_aborting)
break;


/* repeat the loop when format is raw without timelimit or
* requested counts of data are recorded
*/
} while ((file_type == FORMAT_RAW && !timelimit) || count > 0);
}

然后再编译就好了。配合到代码里使用可以这样：

system("./arecord -D hw:0,0 -f S16_LE -V mono -r8000 -c 2 -t wav  wav/mytest.wav");

把aplay拷过去，建立个链接ln ./alplay  arecord

记得把依赖的库libasound.so.2也得考过去哦。

原理：capture中，每次会把读到的数据做个能量计算并打印出来，通过其计算的部分来设置个静音开始状态，同时在设置接下来需要读多少个字节，这部分可以仿照其原有的count计算方法。这样，当进入静音状态开始时，系统再读入设定好的字节后，就自动退出了。当然在此期间，假如用户又说话了。那么静音状态关闭，silcount将不会生效。直到再此进入静音状态开始  

还有一个点是当录音刚启动时，如果用户不说话，我们不希望它退出，要一直等在那里，于是又需要个变量就是启用录音状态enablesil ，默认是不启用，一旦有用户说话，就把它启用。这样silflag就开始生效了。

如果想直接拿来用，这里有编译好的程序，和源码可以下载:

http://download.csdn.net/detail/lijin6249/9580171