用 Realtime API 的 WebSocket 接车载麦克风，session.update 里把 turn_detection 设成 server_vad，silence_duration_ms 给 500。司机没说话时也频繁触发 response.created，日志里能看到 input_audio_buffer.speech_started 每 10 秒一次，试过把 threshold 从 0.5 提到 0.8 只是变少没有消失。
一开始怀疑是「麦克风增益过高，呼吸声的瞬时能量超过阈值」，查了一圈，方向不对。
真正麻烦的地方在于，几个原因的现象几乎一样。车内空调与发动机低频噪声落在 VAD 的检测频带里。也可能是prefix_padding_ms 太小，模型把噪声尾巴当成起始音。
还有一种情况，服务端 VAD 不认识非语音的周期性噪声。
动手时先把麦克风输入录下来看底噪电平
ffmpeg -f dshow -i audio="麦克风" -t 10 -af volumedetect -f null -再往下在客户端加一道高通滤波再推流
ffmpeg -f dshow -i audio="麦克风" -af highpass=f=200,volume=-6dB -ar 24000 -f s16le pipe:1然后把 turn_detection 改成客户端手动提交
python -c "import json;print(json.dumps({'type':'session.update','session':{'turn_detection':None}}))"等前面都确认过，再对比调整前后的误触发次数
python -c "print('speech_started per 10min')"改完先别撤，确认这几项。十分钟静音车内环境里 speech_started 次数降到 0，正常说话仍能即时触发，端到端响应延迟没有变长。
服务端 VAD 只看能量和频谱，对稳态噪声没有免疫力，车载和会议室场景要在推流前做高通与自动增益，别指望调阈值解决。这类问题最好一次改到位，反复小改反而容易把原因搅混。