請問版友，
若我有一隻五分鐘的mp4影片，
想要辨識影片中的人講話時的起始時間。
例如：00:02 大家好
00:03 很高興今天能夠參與此次會議
並不需要辨識語音內容再轉文字，
只要能抓到起始時間即可，
不知道有什麼套件可以達成這個任務呢？
感謝閱讀。

若你的影片包含了除了人聲以外的聲音，那這個問題就很難反之，若影片裡的聲音非常乾淨主要都是人聲，那人工抽抽Feature，自己調一下應該就可以做個7.8成自動上字幕這種事情大家都想做，但是技術上還是存在瓶頸

Voice Activity Detection (VAD)