语音切割，个人VAD （google 2019 论文翻译）

论文：https://arxiv.org/pdf/1908.04284.pdf

题目：PERSONAL VAD: SPEAKER-CONDITIONED VOICE ACTIVITY DETECTION

摘要

在本文中，我们提出了“个人VAD”系统，该系统可以在帧级别检测目标说话者的语音活动。 该系统可用于对流语音识别系统的输入进行门控，使其仅为目标用户触发，这有助于降低计算成本和电池消耗。 我们通过训练以目标说话人嵌入或说话人验证分数为条件的类似VAD的神经网络来实现这一目标。 对于每帧，个人VAD输出三类的分数：非语音，目标说话者语音和非目标说话者语音。 通过我们的最佳设置，我们能够训练一个130KB的模型，该模型的性能优于基准系统，在基准系统中，单独训练的标准VAD和说话者识别网络相结合可以执行相同的任务。

1.介绍

在现代语音处理系统中，语音活动检测（VAD）通常位于其他语音组件（例如语音识别和说话者识别）的上游。 作为门控模块，VAD不仅通过丢弃非语音信号提高了下游组件的性能，而且由于其相对较小的尺寸，还大大降低了总体计算成本。
典型的VAD系统使用具有声学特征的帧级分类器为每个音频帧做出语音/非语音决策（例如，宽度为25ms，步长为10ms）。差的VAD