VAD过程个人总结

-1.

赶鸭子上架，让弄音频的分割，现成的能用方法找了个WebRTC的VAD看看吧。才接触2天，做个记录，有错误望大神指摘。

0.总流程以及概念：

        一个VAD系统通常包括两个部分，特征提取和语音/非语音判决（端点检测）；

        噪声：背景音称之为噪声。有外界环境的噪声，也有设备本身的噪声。在实际使用中，如果出现长时间的静默，会使用户感到很不自然。因此接收端常常会在静音期间发送一些分组，从而生成使用户感觉舒服一些的背景噪声，即所谓的舒适噪声。

        静音：连续若干帧能量值持续维持在低水平。理想情况下静音能量值为0，但实际无法做到，因为一般有背景音，而背景音有基础能量值。

        端点：静音和有效语音信号变化临界点。在实际应用中，比如说电话通话时，用户没有讲话时，就没有语音分组的发送，从而可以进一步降低语音比特率。当用户的语音信号能量低于一定门限值时就认为是静默状态，也不发送语音分组。当检测到突发的活动声音时才生成语音信号，并加以传输。运用这种技术能够获得大于50%的带宽。同理，在实际测试过程中我们也需要考虑非连续性说话，比如口吃、犹豫、吞吞吐吐时，语言的识别准确性，避免断点检测环节处理出现异常或者不合理的情况。

1.特征提取：

        常用的特征提取可以分为五类：基于能量的特征可硬件实现&