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），在解码的基础，通过全局信息，判别语音段和非语音段。
VAD 作为整个流程的最前端，需要在本地实时的完成。由于计算资源非常有限，因此，VAD 一般会采用阈值法中某种算法；经过工程优化的分类法也可能被利用；而模型 VAD 目前难以在本地部署应用。
端点检测处理的好，不仅将处理的时间序列变小，还能消除无声段道噪声。
端点检测的原理
为了能更清楚说明端点检测的原理，录制了一段音频，并且将语音信号截取了几部分。
开始，有片刻的准备工作，并未发出声音
第一次讲”你好”
第二次讲”你好”
第三次伪装了声音讲”你好”
可以看到如下特点：
- 首尾的静音部分声波的振幅很小，而有效语音”你好”部分的振幅比较大。
- 一个信号的振幅表示了信号能量的大小，从直观上明显看出静音的部分能量值较小，有效语音部分的能量值较大。
- 首尾没有讲话，缺依然有能量值，并且能量值有变化。
- 在没有特别的伪装和干扰的情况下，两次讲你好的振幅，即信号是一样的。
- 第三次由于伪装了声音，所以导致振幅同上面两次不一样，并且由于刻意的伪装，导致第三次的波长度和前两次明显不一样。
由此可以了解到端点检测中涉及到的一些概念：
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。