在 speech_pad_ms=0 时,分段边界系统性地偏后(起始 P50 ≈ +40 ms,尾部延长至 +1.4 s,偏移 P50 ≈ +50 ms);两端需要进行相反方向的校正,因此 speech_pad_ms 无法补偿。

总结

在标记关键词识别训练数据（多语言耳机录音，16 kHz）时，我们测量了 get_speech_timestamps（非流式，ONNX）边界与客观的、无标注的声学参考值的差异，对 8,966 个文件 进行了测试。在库默认设置 speech_pad_ms=0 条件下：