第三章---《实时语音处理实践指南》语音端点检测笔记

一、 简要描述

 语音端点检测（VAD）用于判断给定的音频数据是否存在语音，其常用在语音编解码、降噪、增益控制、波束形成以及唤醒识别等算法中。VAD检测给定音频数据含有语音的频率，VAD方法通常包括特征提取和语音、非语音判决两部分，当前使用的语音特征主要有时域和频域两种，时域特征包括能量波动、过零率、最大能量和最小能量等，频域特征主要有基频、频谱组成、频谱质心、谱差、谱密度、谱衰减等。用于VAD判决的特征通常可以分为六大类：能量、频域、倒谱、谱差、谐波和长时信息，基于能量的特征计算简单，如能量过零率，基于谱在低SNR可以获得较好的效果，当SNR为0dB时，基于语音谐波和长时语音特征判决方法的鲁棒性更强。
远场情境下，由于传播路径较远，反射、散射、吸收、衰减的影响变强，这导致语音的SNR和SDR（源信号失真比(Source to Distortion Ratio, SDR)表示信号整体的失真情况）比近场差很多，如果此时仅用基于统计模型的检测方法并不能得到很好的判决结果，则有两种思路。（1）先提高SNR，再进行VAD检测，另一种是直接对低SNR的带噪语音进行检测，如一些基于深度学习的方法在训练语料中加入噪声，这种方法在数据集充分的情况下，其准确性可以超过基于统计模型的方法。

二、特征提取

1、好的特征应具备的性质

• 区分能力：含早语音和金汉噪声音频的分离度应尽量大。理论上，好的特征能够让语音特征和噪声特征分布没有交集。
• 噪声鲁棒性： 背景噪声会造成语音失真，这会影响提取的特征区分能力。
  2、基于能量的特征
  信号的能量强度是基于能量的VAD检测方法的主要依据，在满足语音能量大于背景噪声能量的假设下，当能量大于某一门限时，则可以认为有语音存在，当噪声能量达到和语音能量一样大时，能量特征无法区分是语音还是纯噪声。
  3、短时能量过零率
  采集到的语音信号在数字域上有正负之分，从坐标轴上看，有些在正半轴，有些在负半轴，过零率等于一段时间内穿过横轴的次数与总采样点数的比值，它反映了信号变化的快慢，其虽然是时域特征，但变化快慢在某种程度上反映了频域的信息。过零率对低频噪声敏感，实际使用可以过滤掉低频部分。
  4、其它特征
  频域特征、倒谱特征、基于谐波的特征、长时特征。