webrtc 之vad的理解

1、语音信号的采样率是8kHz，因此其最高频率必须限制在4kHz以下；

2、首先把语音信号划分为10ms一帧数据进行计算，帧与帧之间不重叠；

3、将一帧信号分解到六个频段：80~250,250~500,500~1000,1000~2000,2000~3000，3000~4000，

4、计算每个频率内的信号能量，取log10，我们称之为对数能量;

5、下面的话很重要，很重要，很重要：

在每个频段内，这个对数能量都是遵循一定的概率分布的，这里我们假定噪声为H0，语音H1（我个人理解应该是噪声+语音），

如果是噪声，那么服从的概率分布为：

如果是语音，那么服从的概率分布为：

假定噪声的概率是，信号的概率是，那么收到一个信号（还不确是噪声还是语音）那它服从以下概率分布：

那么这个信号属于信号还是属于噪声，可以用后验概率来估计。

看二者的概率，那个高就用确定是哪一个。

这里我们用二者的比值，则有：

如果就是语音，否则就是噪声。

该判别式两侧同乘以，再变形一下是这样，

判定为语音，否则是噪声

因此可以知道，是预先假设的噪声和信号概率的比值，webrtc用它来作为四个级别不同的门限来判别。

基本原理就是这么简单，但是实际的实现中会有一些列的问题：

比如权重更新。对于GMM的权重更新，一般都会想到是EM算法，但是实际工程应用中确实不允许的，因为权重可能是不断变化的。在这一种场景下设置好的权重，未必在另一种场景下就使用，因此需要更新，更新的准则是什么呢？

还回到这个式子

假定我们收到了数据，我们用最大似然估计的方法，即权重的设置会让概率最大，我们取对数

注意这里的p(x)和webrtc代码中的不太一样，webrtc代码的p(x)是这样定义的：

对信号：

对噪声：

什么原因？webrtc的估计把噪声和语音分开来进行权重更新的的，也就是说，在确定是噪声的情况下，那么权重会使得噪声的极大似然概率最大，所以p(x)只取噪声部分；在确定是信号的情况下，权重的选择会使得信号极大似然概率最大，p(x)只取信号部分。注意这是有前提的，但是这个前提又是如何来保证呢？？？从代码中可以看出：在确定是噪声的情况下，才会对噪声权重进行梯度更新，在确定是信号的情况下，才会对信号的梯度部分进行权重更新。

需要注意的是，webrtc并没有对p(H0)、p(H1)、进行更新。

值得注意的是webrtc对于噪声均值估计还有一个更新项，就是不论是否是噪声，都会查找前100帧信号中的5个最小值，取5个最小值的中值，用这个中值部分更新通道的最小值，然后用通道最小值减去原来的和的加权平均，然后进行修正，它的依据是什么？？这个我还没有想明白。

为什么webrtc使用的是梯度值不加负号呢？要计算最小值是梯度下降，计算最大值则是梯度上升，这里计算的是最大似然，当然需要梯度上升了。