语音处理/语音识别基础（六）- 语音的端点检测（EPD/VAD)

端点检测（End-point Detection，简称 EPD）的目标，是要找到音频信号（音讯）的开始和结束的位置，所以又可以称为 Speech Detection 或是 VAD (Voice Activity Detection)。端点检测在语音处理与识别中，扮演重要的角色，可以基于时域，或者基于频域来做 EPD。

本文尝试解答如下问题：

1).为什么使用基于频域的方法来做音频的分析？

2).什么是语谱图，语谱图有什么作用？

3).语谱图中，如何区分出来清音、噪音和浊音？

4).如何衡量数据的多样性？

5).音频帧的熵值如何计算？

读完此文以及前面的系列文章，你应当可以解答这些问题。

常见的端点检测方法与相关的特征参数，可以分成两大类：

时域（Time Domain）的方法：

计算量比较小，因此比较容易移植到计算能力较差的计算机平台。

1).音量：只使用音量来进行端点侦测，是最简单的方法，但是会对气音造成误判。不同的音量计算方式也会造成端点侦测结果的不同，至于是哪一种计算方式比较好，并无定论，需要靠大量的资料来测试得知。
2).音量和过零率：以音量为主，过零率为辅，可以对气音进行较精密的检测。

频域（Frequency Domain）的方法：

计算量比较大，因此比较难移植到计算能力较差的计算机平台。
频谱的 Variance(spectral variances)：浊音的频谱变化较规律，Variance 较低，可作为判断端点的基准。
频谱的Entropy：浊音的规则的频谱幅度会产生低的熵值，因此我们可以使用使用 Entropy 来做为 EPD 检测的一个条件。

简单地说，若只是对声音波形做一些较简单的运算，就是属于时域的方法。另一方面，凡是要用到傅立叶转换（Fourier Transform）来产生声音的频谱，就是属于频谱的方法。这种分法常被用来对音讯处的方法进行分类，但有时候有一些模糊地带。

频域的分析有效果，对于声音信号，实际上是因为人对于频域的敏感性远超时域特征的敏感度。 可以认为人耳就是一个频谱分析仪，还是一台非常准确的频谱分析仪（只能说是准确，不能说精确，因为单纯人耳不能精确地量化声音信号）。

一、基于时域（Time Domain） 的 EPD 检测

1）.基于音量的端点检测

第一种方法，是直接使用音量来进行端点侦测的方法。

这是一种最简单的方法，只要音量小于某个门槛值，我们就认定是静音或是杂讯，至于这个门槛值如何决定，除了靠人的直觉外，比较客观的方法，还是靠大量的测试资料来决定最佳值。

在计算音量时，请务必记得要先经过零点校正（参考前面一篇  声音的音量，过零率，音高的计算 中的“零调整”）。否则噪音的影响非常大。

选择一个 Vth 作为静音的音量标记，一帧的音量小于 Vth 认为是静音，大于 Vth 是有声音的片段。如图绿线的标记为声音的开头，紫色线是结尾，图中共有 5 段声音。

如何确定门槛值 Vth， 简单的方法， 可以使用如下三个音量中的一个作为门槛值，来进行端点侦测：

A.音量最大值的 0.1：此方法在音量忽大忽小时或杂讯太强时，会发生错误。
B.音量最小值的 5 倍：此方法在杂讯太强时，会发生错误。
C.第一个音帧的音量的 4 倍：此方法假设一开始是静音，但若一开始就有声音，或是录音器材一开始有偏移，此做法就很容易发生错误。

D.也可以使用加权平均的方法来找一个合适的参数： 

volTh=(volMax-volMin)*epdPrm.volRatio+volMin;

volTh=(volMax-volMin)*epdPrm.volRatio+volMin;

where epdPrm.volRatio is 0.1, and volMin and volMax are 3% and 97% percentiles of the volumes in an utterance, respectively.

前面几种方法的具体代码略过。 可以参考：

http://mirlab.org/jang/books/audiosignalprocessing/example/epdByVolTh01.m

若是声音很干净，噪音不大，那么使用音量来侦测端点可得到不错的效果。但是如果碰到下列问题，这个简单的方法就行不通：

1).噪音比较强
2).清音比较多
3).同一句话的音量变化太大

此时单一音量门槛值的选取就比较不容易，端点侦测的正确率也会下降。
另外，对一般端点侦测而言，若希望求得高准确度的端点，我们可以让音框和音框之间的重叠部分加大，但是相对而言，计算量也会跟着变大。

第二种常用的方法，则是用到了音量和过零率

简述如下：
1).以高音量门槛值（tu）为标准，决定端点，作为初始短点（如下图 tu 与能量曲线的交点）。
2).将端点前后延伸到低音量门槛值（tl）处（如下图 N1, N2 点）。
3).再将端点前后延伸到过零率门槛（tzc）处，以包含语音中的清音部分。

此方法用到三个参数（tu、tl、tzc），若电脑计算能力够强，可用各种搜索法来调整这三个参数，否则，就只有靠观察法及经验值。  结合音量/能量（Volume/Energy）和过零率（ZCR）来做端点检测的过程图示：

图中 tl 的范围是完全包含了 tu 的范围。为什么还需要第一步，因为仅仅用第2步的话，噪音的部分会被计算进来，有噪音的时候，tl 的范围中， 会有一部分完全在 tu 的范围之外（跟 tu 没有连接的交集）。所以从 tl 的范围开始扩展、延伸信号的帧长。

端点检测是一个检测SUV 的过程。 声音的每一帧被分为 SUV 三个类别。

回顾一下过零率的定义： 一帧音频信号中，采样值穿过0点的次数。

结合过零率找到 SUV 来做端点检测，基于如下的特征：

浊音 ZCR < 静音 ZCR < 清音 ZCR，SUV 三种帧的过零率排序：Voiced < Silence < Unvoiced

对于清音过零率是最高的。下面的图中可以看到， 标注为 u 的是清音，过零率高，同时信号幅度（能量）小，Singapore Is A Fine Place 这句话中有4段清音。

% 相关类库： http://mirlab.org/jang/books/audiosignalprocessing/example.rar
% 结合过零率的端点检测 epdByVolZcr01.m
waveFile='singaporeIsAFinePlace.wav';
au=myAudioRead(waveFile);
opt=endPointDetect('defaultOpt');
opt.method='volZcr';
showPlot=1;
endPoint=endPointDetect(au, opt, showPlot);

代码运行得到下图（图中第二个图的2条红线，分别是使用 tu, tl 识别到的声音范围， 图3中的蓝线的起始点是用 ZCR 检测到的起始点，如图 Start/End 的标记）

第3种方法：结合音量的高阶差分（High Order Difference）

使用基于音量的端点检测，第3种常用的方法，是结合音量和高阶差分（High Order Difference） 来检测， 找到清音（Unvoiced Sound）的部分。

High Order Diffrence: 计算多次差分（diff）。差分就是用后一个信号减去前一个信号的值。

差分的计算方法， 对于 (-1 1 -1 1 -1 1 -1 1) 这一帧信号（这是一帧清音信号）来说，

一阶差分 diff(s)  = (2 -2 2 -2 2 -2 2) ，  

二阶差分 diff(diff(s)) = (-4 4 -4 4 -4 4)

三阶差分 diff(diff(diff(s))) = (8 -8 8 -8 8)

如下图的计算过程。 通过 Volume + SOD 来识别清音(U)的部分，使用高阶差分，计算出来清音的值很高。这样就能跟静音区分开来。

  

实现的 matlab 代码如下

%  highOrderDiff01.m
waveFile='singaporeIsAFinePlace.wav';
au=myAudioRead(waveFile); y=au.signal; fs=au.fs;
frameSize = 256;
overlap = 128;

y=y-mean(y);				% zero-mean substraction
frameMat=buffer2(y, frameSize, overlap);	% frame blocking
frameNum=size(frameMat, 2);			% no. of frames
volume=frame2volume(frameMat);
sumAbsDiff1=sum(abs(diff(frameMat)));
sumAbsDiff2=sum(abs(diff(diff(frameMat))));
sumAbsDiff3=sum(abs(diff(diff(diff(frameMat)))));
sumAbsDiff4=sum(abs(diff(diff(diff(diff(frameMat))))));

subplot(2,1,1);
time=(1:length(y))/fs;
plot(time, y); ylabel('Amplitude'); title('Waveform');
subplot(2,1,2);
frameTime=frame2sampleIndex(1:frameNum, frameSize, overlap)/fs;
plot(frameTime', [volume; sumAbsDiff1; sumAbsDiff2; sumAbsDiff3; sumAbsDiff4]', '.-');
legend('Volume', 'Order-1 diff', 'Order-2 diff', 'Order-3 diff', 'Order-4 diff');
xlabel('Time (sec)');

显示图如下 （图中红色的清音信号 通过 HOD 被大幅加强，跟静音完全区分开来了）

在上图中，随着我们对 frameMat 的一再差分，清的音量就会越来越明显，因此可用来侦测清音的存在。

 一个可能的组合计算音量 volume 和 HOD 来做端点检测的方法如下:

1).计算音量 （VOL）和 n阶差分(HOD) 的绝对值和。

2).在 [0, 1] 内选择一个加权因子 w 以计算新曲线 VH = w*VOL + (1-w)*HOD。

3).找到一个比率 r 来计算 VH 的阈值 t 以确定端点。 阈值等于 VHmin+(VHmax-VHmin)*r。

上述方法涉及三个待确定的参数：n、w、r。 这些参数的典型值为 n = 1、w = 0.76 和 r = 0.012。 但是，这些值因数据集而异。 始终建议使用目标数据集来调整这些值以获得更稳健的结果。

使用音量和 HOD 的更完整的 EPD 检测版本是 SAP 工具箱中的 epdByVolHod.m。

http://mirlab.org/jang/matlab/toolbox/sap.zip

epdByVolHod.m 使用音量和 HOD 来进行端点侦测，参考下例。

% epdByVolHod.m
waveFile='singaporeIsAFinePlace.wav';
au=myAudioRead(waveFile);
opt=endPointDetect('defaultOpt');
opt.method='volHod';
showPlot=1;
endPoint=endPointDetect(au, opt, showPlot);

检测出来的声音起点，终点:

当有噪音的时候， HOD 也不管用了。 噪音的 HOD 也很高，跟清音区分不开来。这个时候需要用到频域的信号分析。

二、基于频域（Frequency Domain） 的 EPD 检测

为什么要使用基于频域做 EPD 检测。 因为以下几个原因：

1.如上面的计算和验证过程， 使用时域的信号，不能有效地处理各种情况，特别是噪音的场景。

2.声音在频域里面，特征更加明显。

3.人耳实际上是一个频谱分析仪，对于频域信号的感知强烈。

有声的语音信号在频谱上会有重复的谐波结构（harmonic structures），因此我们也可以使用频谱的 Variance 或是 Entropy 来进行端点侦测。此外，能量分布将主要偏向低频段。 因此，我们可以在 EPD 的光谱上应用简单的数学函数。 对于能量的含义，参考前面的分享文章。

什么是频谱图： 以时间为横轴， 频率为纵轴，同时用不能颜色标记能量值的语音信号图。 如下图示例，颜色中，红色表示高能量的部分，蓝色是低能量的部分。 

FFT 变换之后，可以显示频谱图。

对于清音，高频的能量高于低频的能量。 基于这个特性可以区分出清音的部分。 

频谱的展示

% epdShowSpec01.m

waveFile='SingaporeIsAFinePlace.wav';
au=myAudioRead(waveFile);
time=(1:length(au.signal))/au.fs;
subplot(211);
plot(time, au.signal); axis([min(time), max(time), -1, 1]);
ylabel('Amplitude'); title(waveFile);
subplot(212);
frameSize=256;
overlap=frameSize/2;
[S,F,T]=spectrogram(au.signal, frameSize, overlap, 4*frameSize, au.fs);
magSpec=abs(S);
specgram=log(magSpec);
imagesc(T, F, specgram); axis xy
xlabel('Time (sec)'); ylabel('Freq (Hz)');
audioPlayButton(au);
colormap jet;

幅度图和频谱图 展示图如下 ，

图中3段清音的部分， 如下图左图的标记， 对于清音部分高频的能量远高于低频区域的能量。

以下是对于有背景噪音的一段音频的分析

% epdShowSpec02.m
waveFile='noisy4epd.wav';

au=myAudioRead(waveFile);
time=(1:length(au.signal))/au.fs;
subplot(211);
plot(time, au.signal); axis([min(time), max(time), -1, 1]);
ylabel('Amplitude');  title(waveFile);

subplot(212);
frameSize=256;
overlap=frameSize/2;
[S,F,T]=spectrogram(au.signal, frameSize, overlap, 4*frameSize, au.fs);
magSpec=abs(S);
specgram=log(magSpec);
imagesc(T, F, specgram); axis xy
xlabel('Time (sec)'); ylabel('Freq (Hz)');
audioPlayButton(au);
colormap jet;

包含噪音语音的幅度图、频谱图，展示如下

图中因为有噪音， 看得到在低频的部分，始终有能量。 因此需要找到更好的特征来区分噪音的部分。

如何聚合频谱，得到一个单一的特征，使得频谱的能量分布分散时值更大？可以使用如下两种方法：

1). 熵函数

2). 几何平均/算术平均 

熵函数的定义 （下图中的 p 是在 i 点的概率分布，总共 n 个点，整体的熵函数如下）

一帧频谱的熵值计算

图中 s(fi) 表示 i 点的频率上的信号值。p 是一个概率分布。同时为了更好的效果，做一个规范化，对于 fi < 250 Hz, fi > 6000 Hz 的情况，都把 s(fi) 当做 0 处理。 同时当 pi 过大或者过小时也当做0 来处理。

对于语音的每一帧，做熵值的计算，计算出来的值会呈现如下的规律：

清音的熵值大（可以理解成混乱度高，熵值越大有序性阅读），静音、浊音的分散度小。

原因是因为清音的频率能量分散度大，P 的分散大，而静音，浊音的分散度小。（参考前面的图）

几何平均与算术平均的计算：

熵值，几何均值/算法均值，都可以用来衡量多样化，从而可以用来区分清音和浊音/静音。