强噪声下的语音检测 VAD

VAD是语音处理中经常使用的技术，不大起眼，但也至关重要，往往各大技术团队都会很在意“模型”上的跟进与改进，忽视VAD这种技术的重要性，因为模型上很多是技术的前沿点，比如DNN，大家做了能拿出来吹吹牛，并且这种技术大家都做，通常会得到一个stata of the art的技术指标，而VAD呢，研究了N年也没个标准，也没有使用前沿技术，做了引不起内部、外部关注，并且难度一点都不小，不像DNN这种技术，本身比较统一，开源的资源比较多，大家主要是在参数配置，速度优化上做文章，有很明确的优化方向，但VAD就像一个大坑，用什么方法？基于规则还是模型？什么特征稳定？都还没个标准，放眼望去，文章五花八门。

最近做了一些强噪声的语音检测，主要针对以下类似语音：

与手标端点相比，达到95%准确率，还比较有成就感，记录一下。