发布时间：March 17, 2023, 6:35 a.m.编辑：李佳生阅读（1818）
一、背景
在很多语音信号处理算法中，语音和非语音信号是被区分处理的，所以如果算法在有声(说话)和无声(静音)场景采用相同的计算策略，往往会使滤波器的计算和收敛出现误差，造成算法效果变差，所以需要一个模块来区分语音和非语音信号场景，这就是VAD(Voice Activity Detection)语音活性检测算法的主要作用：区分有声(说话)和无声(静音)场景，从而提高算法收敛的效率和准确性。常见的应用场景举例：
1. 语音识别：VAD算法可以帮助识别引擎准确地识别出说话部分，从而提高识别准确率。
2. 语音编解码：VAD算法可以帮助编码器在无声部分停止编码，从而节省带宽和存储空间。
3. 语音通信：VAD算法可以帮助通信系统在无声部分停止传输，从而节省带宽和电力。
4. 语音增强：VAD算法可以帮助增强器在有声部分增强语音信号，而在无声部分不进行增强，进行降噪滤波器的刷新，从而提高最后的增强效果。
因此，VAD算法在语音信号处理中具有重要的作用，不仅可以提高处理效率和准确性，同时也可以节省带宽和存储空间，甚至是保证算法收敛的必要条件。
二、原理
语音信号和环境噪声一般存在较大区别，环境噪声一般为稳态、分布均匀、能量较小的信号，而语音则为能量高、频段特征明显、短时性强的信号。这些区别一般体现在信号的时频域特征上，因此VAD可以根据信号大的这些特征来判断，需要根据实际应用场景来选择合适有效的特征，一般也会通过多个特征的组合来进行综合判断，增加准确率。
三、特征
音频信号的常用的时域特征包括：过零率、能量波动率、能量峰值等等；常用频域特征包括：基频、谐波、频谱质心、频谱频段特征等等。而用于VAD的常见特征一般有：
(1) 短时能量、过零率：利用信号能量和过零率对语音进行最简单的判断，可在时域判断，计算量很小。虽然语音能量一般远远大于噪声能量，但是实际信号有各种各样的特征，噪声和语音之间的能量关系并非一成不变，信号能量也并不一定是语音引起，因此误判率较高且对信噪比要求较高，可用于开销敏感、准确率要求不高的场景。
(2) 频谱频段特征
(3) 倒谱：通过倒谱来分析信号的能量分布和基频特征，可以将频谱包络和细节分开，从而进行比较详细的分析和判断。但是通常需要信噪比比较高，才能判断的比较准确。
(4) 基频、谐波：语音的能量集中于基频和谐波频段，而噪声的能量在各频段分布比较平均平稳，因此可以通过语音基频及其谐波的能量特征将之与噪声区分开来。通常这种特征在低信噪比下准确率也足够高，并且计算量相对较少，因此在耳机和助听器上有所应用。
ANSI S1.11 1986(ASA 65-1986).pdf
Low_Computational_Complexity_Pitch_Based_VAD_for_Dynamic_Environment_in_Hearing_Aids.pdf
A Real-Time DSP-Based System for Voice Activity Detection and Background Noise Reduction.pdf
(5) 长短时信息：一般情况噪声都是稳态、语音都是非稳态的，因此综合长短时信息特征来看，两者差别明显，可以用来区分两种信号。
Voice activity detection algorithm based on long-term pitch information.pdf
A Survey and Evaluation of VAD.pdf
(6) 自相关法：周期信号存在自相关性，语音属于短时稳态，所以在一定时间内是存在自相关性的；而噪声一般认为是完全随机的，前后不存在自相关性。因此可以利用这个区别来判断语音信号。
(7) 谱熵：谱熵是一个描述能量谱平坦程度的变量。实验中发现语音的熵和噪声的熵存在较大的差异，能体现语音和噪声在整个信号段中的分布概率，因此出现了基于熵的语音端点检测算法。
假设谱能量为：
归一化谱能量密度为：
则谱熵的计算公式为：
(8) 其他：还有一些其他特征能够反映出频谱能量分布和平稳程度的变化，可以用于区分语音和噪声，如谱差、谱质心等等。
四、判决
有了特征，就可以选择其中一个或多个来进行判决。目前VAD中的判决方法主要分为：
(1) 基于阈值：根据实际系统和工作环境来设定各个特征的判断阈值。
(2) 基于概率模型的统计方法：建立噪声&语音的概率模型(比如GMM)，通过概率来判断当前属于哪一种信号，并不断通过梯度或EM算法刷新概率模型参数，使判断越来越准确，比如经典的WebRTC VAD)
(3) 基于机器学习：通过大量特征数据来训练机器学习模型，总结描述出各种特征分布所对应的信号种类，是一种比较暴力的方法，比如经典的语音降噪算法RNNoise就可以顺带输出vad标志位。另外也可以针对想要使用的特征，设计训练专门用于vad的网络，可以做到开销比较小但准确，已很多地用于实际产品中。
