语音信号的端点检测方法有很多种,简单的方法可以直接通过计算出声音的音量大小,找到音量大于某个阈值的部分,认为该部分为需要的语音信号,该部分与阈值的交点即为端点,其余部分认为非语音帧。
计算音量
计算音量的方法有两种,一种是以帧为单位(每一帧包含多个采样点),将该帧内的所有采样点的幅值的绝对值之后相加,作为该帧的音量值:
Vi = sum(|Wi|)
以采样率为 11025 Hz ,时长为 1s 的波形为例:该波形含有 11025 个采样点,若取帧长为 framesize = 256,帧间重叠大小为 overlap = 128,则计算出来的音量数组包含 frameNum = 11025 / (256 - 128) = 86.13,取整为 frameNum = 87。计算前 86 帧的音量代码(代码为 volume.py 的 calcNormalVolume):
for i in range(frameNum - 1):
# 获取第 i 帧数据
curFrame = wave[i*step: i*step + framesize]
curFrame = curFrame - np.mean(curFrame)
# 公式: v = sum(|w|)
volume[i] = np.sum(np.abs(curFrame))
不论采样点的数量是否能够被帧大小整除,最后一帧都需要单独判断,取波形长度和下一帧的波形长度较小的一个,并计算最后一帧的音量:
curFrame = wave[(frameNum - 1)*step: mi