语音识别的端点检测

端点检测的概念

端点检测，也叫语音活动检测，Voice Activity Detection，VAD，它的目的是对语音和非语音的区域进行区分。通俗来理解，端点检测就是为了从带有噪声的语音中准确的定位出语音的开始点，和结束点，去掉静音的部分，去掉噪声的部分，找到一段语音真正有效的内容。

在噪声环境下使用语音识别系统，或者讲话人产生情绪或心里上的变化，导致发音失真、发音速度和音调改变，都会产生Lombard/Loud效应。研究表明，即使在安静的环境下，语音识别系统一半以上的识别错误来自端点检测器。

 

端点检测的分类

VAD 算法可以粗略的分为三类：基于阈值的 VAD、作为分类器的 VAD、模型 VAD。

基于阈值的 VAD：通过提取时域（短时能量、短期过零率等）或频域（MFCC、谱熵等）特征，通过合理的设置门限，达到区分语音和非语音的目的。这是传统的 VAD 方法。

作为分类器的 VAD：可以将语音检测视作语音/非语音的两分类问题，进而用机器学习的方法训练分类器，达到检测语音的目的。

模型 VAD：可以利用一个完整的声学模型（建模单元的粒度可以很粗）&