我有一组由用户上传的音频文件，不知道它们包含什么内容。
我想要取出任意音频文件中每个人发言的实例，并将其分别生成为新的音频文件。我不需要检测实际单词，只需要“开始说话”和“停止说话”点，并在这些点生成新文件。
（我正在针对Linux环境开发Mac）
我找到了Sox，它看起来很有前途，并具有“vad”模式（语音活动检测）。但是，它似乎只能找到第一个讲话实例并剥离该点之前的音频，因此它接近但不完全正确。
我还看过Python的'wave'库，但那样的话我就需要编写自己的Sox 'vad'实现。
是否有任何命令行工具可以从现成货中做到我想要的？如果没有，有什么好的Python或Ruby方法吗？
为了进行语音活动检测，我一直在使用MISTRAL（曾用名LIA_RAL）说话人识别工具包中基于ALIZE库的EnergyDetector程序。
它使用特征文件而不是音频文件，因此您需要提取信号的能量。我通常使用倒谱特征（MFCC）提取对数能量参数，并将此参数用于VAD。您可以使用SPro信号处理工具包中的实用程序sfbcep以以下方式进行：
sfbcep -F PCM16 -p 19 -e -D -A input.wav output.prm
然后，您将以以下方式运行EnergyDetector：
EnergyDetector --config cfg/EnergyDetector.cfg --inputFeatureFilename output
output.prm放在prm/中，并且您会在lbl/中找到分割结果。*** EnergyDetector Config File
***
loadFeatureFileExtension .prm
minLLK -200
maxLLK 1000
bigEndian false
loadFeatureFileFormat SPRO4
saveFeatureFileFormat SPRO4
saveFeatureFileSPro3DataKind FBCEPSTRA
featureServerBufferSize ALL_FEATURES
featureServerMemAlloc 50000000
featureFilesPath prm/
mixtureFilesPath gmm/
lstPath lst/
labelOutputFrames speech
labelSelectedFrames all
addDefaultLabel true
defaultLabel all
saveLabelFileExtension .lbl
labelFilesPath lbl/
frameLength 0.01
segmentalMode file
nbTrainIt 8
varianceFlooring 0.0001
varianceCeiling 1.5
alpha 0.25
mixtureDistribCount 3
featureServerMask 19
vectSize 1
baggedFrameProbabilityInit 0.1
thresholdMode weight
CMU Sphinx语音识别软件包含内置的VAD。它用C语言编写，您可能可以对其进行修改以生成标签文件。
最近新增了GStreamer支持。这意味着您可以在GStreamer媒体流中使用其VAD。请参见使用PocketSphinx与GStreamer和Python-> 'vader'元素
我还使用过修改后的AMR1编解码器版本，该版本输出具有语音/非语音分类的文件，但我找不到其在线源代码，抱歉。
webrtcvad是Google优秀的WebRTC语音活动检测代码的Python封装。
它附带一个名为example.py的文件，正好可以满足您的需求：给定一个.wav文件，它会找到每个人说话的实例，并将其写入新的、单独的.wav文件中。
如果example.py没有完全满足您的要求，webrtcvad API非常简单：
import webrtcvad
vad = webrtcvad.Vad()
# sample must be 16-bit PCM audio data, either 8KHz, 16KHz or 32Khz,
# and 10, 20, or 30 milliseconds long.
print vad.is_voiced(sample)
你好，pyAudioAnalysis 提供了去除静音的功能。
在这个库中，去除静音可以非常简单：
from pyAudioAnalysis import audioBasicIO as aIO
from pyAudioAnalysis import audioSegmentation as aS
[Fs, x] = aIO.readAudioFile("data/recording1.wav")
segments = aS.silenceRemoval(x,
Fs,
0.020,
0.020,
smoothWindow=1.0,
Weight=0.3,
plot=True)
silenceRemoval()实现参考：https://github.com/tyiannak/pyAudioAnalysis/blob/944f1d777bc96717d2793f257c3b36b1acf1713a/pyAudioAnalysis/audioSegmentation.py#L670
在内部，removal()遵循半监督方法：首先，训练SVM模型以区分高能量和低能量的短期帧。为此，使用最高10%的能量框架和最低10%的框架。然后，在整个记录上应用SVM（具有概率输出），并使用动态阈值检测活动段。
参考文献：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0144610
SPro和HTK是你需要的工具包。你还可以通过Alize Toolkit的文档来了解它们的实现。