语音端点检测（1）：双门限法（简单教学版）

为什么要有语音端点检测？或者换个角度说，静默检测、静音检测。

以下摘自百度。

语音活动检测(Voice Activity Detection,VAD)又称语音端点检测,语音边界检，是指在噪声环境中检测语音的存在与否,通常用于语音编码、语音增强等语音处理系统中,起到降低语音编码速率、节省通信带宽、减少移动设备能耗、提高识别率等作用。早先具有代表性的VAD方法有ITU-T的G.729 Annex B。

似乎很重要。

那怎么做？

最直接的，从能量的角度考虑。

如果大于某个阈值，就认为是语音段。当然，还要排除个别突发噪声的情况。

另外，声母的功率小，但也属于语音段啊。怎么办？考虑到它的ZCR比较大。

所以有个教学版的算法，简单，效果又挺好。

假定一段信号的前一段是纯净的噪声（噪声也不是没有用，还是有有用的时候）……

双门限的VAD算法，到处都有。百度一下就可以知道了。

以下贴出对应的matlab代码。

非常值得学习的是，3 sigma 原则。（sigma为标准差std）

测量环境噪声参数那一段时，用了个3 sigma的思想，对门限进行了选取。个人觉得挺巧妙的。

其中，计算短时能量、短时过零率的函数，已经在前文中讲了。

短时能量、短时过零率

本算法非常简单且有效。但不能检测出语音内的一段停顿。

检测结果如下图。

如果要改进，估计有点繁琐。

此外，本算法只能用于后处理（post processing）、离线处理（offline processing）。

要读完所有数据，才能检测语音的结尾。因为它的结尾首先是从右往左扫描的。

不过，简单嘛。可以接受。