请问版友，
若我有一只五分钟的mp4影片，
想要辨识影片中的人讲话时的起始时间。
例如：00:02 大家好
00:03 很高兴今天能够参与此次会议
并不需要辨识语音内容再转文字，
只要能抓到起始时间即可，
不知道有什么套件可以达成这个任务呢？
感谢阅读。

若你的影片包含了除了人声以外的声音，那这个问题就很难反之，若影片里的声音非常干净主要都是人声，那人工抽抽Feature，自己调一下应该就可以做个7.8成自动上字幕这种事情大家都想做，但是技术上还是存在瓶颈

Voice Activity Detection (VAD)