语音活动检测(Voice Activity Detection,VAD)又称语音端点检测,语音边界检测。目的是从声音信号流里识别和消除长时间的静音期， 静音抑制可以节省宝贵的带宽资源，可以有利于减少用户感觉到的端到端的时延。 VAD引擎需要8、16、32或48 KHz的采样率的单声道、16位PCM音频作为输入。输入应该是10、20或30毫秒的音频片段。当音频输入为16 KHz时，输入数组的长度应为160、320或480。 语音活动检测可以运行在4种不同的模式。模式范围从0到3。模式0非常严格，这意味着当VAD预测为语音时，音频片段是语音的概率更高。模式3非常激进，这意味着当VAD预测为语音时，音频是语音的概率较低。如预期的那样，模式1和2逐渐降低了这种概率。