VAD--学习笔记

1. 定义:
   1. Voice Activity Detection 语音断点检测
   2. 用于判断给定的音频数据是否存在语音
2.  VAD检测给定音频数据含有语音的概率，VAD方法通常包括特征提取和语音/非语音判决两部分。
3. 当前使用的语音特征主要有时域和频域两种：
   1. 时域特征：能量波动；过零率最大能量最小能量等。
   2. 频域特征：基频；频谱组成；频谱质心；谱差；谱密度；谱衰减；
4. 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；长时信息；
5. 基于能量的特征计算简单，如能量过零率，基于谱（频谱，倒谱和谱差）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。
6. 特征选取：
   1. 特征对VAD检测尤为重要，好的特征应有如下特性。
      1. 区分能力：含噪语音和仅含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。
      2. 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，如图3-1所示。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，虽是时域特征，在变化快慢的程度上反映了频域信息。过零率对低频噪声敏感，实际使用中可以过滤掉低频部分。
   4. 频域特征：通过STFT将时域信号变成频域信号，俗称声谱图，即使SNR为0dB，一些频带的长时包络还是可以用于区分语音和噪声。
   5. 倒谱特征：能量倒谱峰值确定了语音信号的基频，也有使用MFCC特征作为VAD判决的输入特征。
   6. 基于谐波的特征：语音的一个明显特征是包含了基频F0及其多个谐波频率，即使在强噪声场景，谐波这一特征也是存在的，可以使用自相关的方法找到基频所在频点。
   7. 长时特征：语音是非稳态信号，正常语速下，大部分人通常每秒发出10~15个音素，音素间的谱分布是不同的，这就导致了随着时间变化，语音统计特性也是变化的。另外，日常绝大多数噪声是稳态的（变化比较慢），如白噪声，根据音频长时统计变化特征也可用于区分语音/噪声。