[FEATURE] Websocket demo 实地测试中暴露出的问题

[ISJDOG]

#17

在会议场景中启动服务并记录了一个小时，总体内存、显存用量和 CPU 、 GPU 占用都维持在较为稳定的状态，这非常好。

不过，在测试中也暴露出一些问题：

• vad 截断异常

使用正常大小的声音说 vad测试 或者 ok ，有很大可能会得到 bad测试 和 k ，同时在测试中大量出现结尾的一两个字识别不到，表明 vad 截断还需改进。

• 多音字转录效果较差

会议场景，特别是讨论中，一般语速较快，会导致识别返回较为混乱的结果；这也可能是因为我使用的是笔记本自带的麦克风收音，使用专业的会议麦克风，或加入人声增强功能，也许能改善识别结果。

[pengzhendong]

https://github.com/pengzhendong/pysilero/blob/ae49ae0b9076f205c35757796ae6e01f135e9a89/pysilero/pysilero.py#L38-L39

vad 默认检测到 min_silence_duration_ms=300ms 静音就认为是尾端点，并且只会将这 300ms 中的 speech_pad_ms=100ms 送给 asr。你可以先将 speech_pad_ms 调成 300 看看，不行的话再调大 min_silence_duration_ms

[SNTube]

识别阈值降低到0.3、0.4，以及最小静音持续时间与语音前后填充时间一致时效果不佳，试试下面数值
threshold=0.3, min_silence_duration_ms=400, speech_pad_ms=300
或是
threshold=0.3, min_silence_duration_ms=300, speech_pad_ms=400
vad测试 这个很大可能会得到 vd测试 ， ok 基本能稳定返回 ok 。

[WangFeiji0928]

https://github.com/pengzhendong/pysilero/blob/ae49ae0b9076f205c35757796ae6e01f135e9a89/pysilero/pysilero.py#L38-L39

vad 默认检测到 min_silence_duration_ms=300ms 静音就认为是尾端点，并且只会将这 300ms 中的 speech_pad_ms=100ms 送给 asr。你可以先将 speech_pad_ms 调成 300 看看，不行的话再调大 min_silence_duration_ms

佬，有个好奇的事儿，为啥不用funasr的那个fsmn-vad呀？是因为流式不好改吗？我印象里他那个好像只能流式处理没办法流式返回

[pengzhendong]

@WangFeiji0928 你有测试的指标吗？我基于 silero-vad 改的比较方便取采样点，如果 fsmn-vad 效果好，有空也可以支持一下

[WangFeiji0928]

@WangFeiji0928 你有测试的指标吗？我基于 silero-vad 改的比较方便取采样点，如果 fsmn-vad 效果好，有空也可以支持一下

我没测，我也是为了方便取采样点直接用了webrtcvad，哈哈哈