SYNAVOICE
05语音算法系列 · 第 5 篇

语音活动检测

能量与过零率的联合判据

约 1928 字阅读约 5 分钟下载 Word 原文档

一、引言

在语音系统中,一个看似简单却至关重要的问题是:当前这段信号里,到底有没有人说话? 这个问题被称为语音活动检测(Voice Activity Detection, VAD),也叫端点检测。它是语音识别、语音增强、语音编码、免提通话以及对话式语音智能体的前置环节——只有准确地判断出语音的起点与终点,后续处理才能有的放矢,避免把静音或噪声当作语音送入系统,也避免漏掉真正的话音。

VAD 的方法历经演进,从早期基于能量的简单阈值,到基于过零率、频谱、统计模型的复杂方法,再到如今基于深度学习的端到端方案。但无论技术如何发展,能量与过零率这两个最朴素的特征,始终是理解 VAD 原理的最佳起点,也在大量轻量级、低功耗场景中沿用至今。

二、公式表达

基于能量与过零率的 VAD,其核心是设定两个判决阈值,对每一帧信号做"语音/非语音"的二分类。判决逻辑与两个特征的计算如下:

V_t = \begincases 1, & 若 E_t > θ_E \ 且\ Z_t > θ_Z 0, & 否则 \endcases

其中短时能量 E_t 与短时过零率 Z_t 分别定义为:

E_t = Σ_n s^2(n), Z_t = (1)/(2N)Σ_n|sgn(s(n)) - sgn(s(n-1))|

各符号含义如下表所示。

符号

含义说明

s(n)

第 t 帧语音信号在第 n 个采样点的幅值

E_t

第 t 帧的短时能量,反映信号强度

Z_t

第 t 帧的短时过零率,反映信号在零轴附近穿越的频率

sgn(·)

符号函数,取值为 +1、0、-1

N

每帧采样点数

θ_E

能量判决阈值

θ_Z

过零率判决阈值

V_t

第 t 帧的判决结果,1 表示语音,0 表示静音/噪声

三、公式的推导与原理解析

(一)短时能量:区分"有声"与"无声"

语音帧的能量通常显著高于静音帧的能量,因此能量是最直观的判别依据。E_t 通过对帧内采样点幅值的平方求和得到,幅值越大(人说话时声压高),能量越高。但单纯用能量存在一个明显缺陷:背景噪声(如键盘声、风扇声)也可能带来较高能量,导致误判。因此需要引入第二个维度的特征加以辅助。

(二)短时过零率:区分"浊音"与"噪声"

过零率统计信号波形穿越零轴的次数。语音中,浊音(元音等)由声带周期性振动产生,能量集中在低频,过零率较低;而清音(如 s、sh)和多数噪声能量分布偏高,过零率较高。符号函数的差分恰好能捕获"符号翻转"这一事件——相邻采样点符号不同,则 |sgn(s(n)) - sgn(s(n-1))| 取非零值,累加并归一化后即得过零率。

(三)联合判决的互补性

能量与过零率存在天然的互补:能量强但过零率低 → 大概率是浊音;能量弱但过零率高 → 可能是清音或噪声。通过"能量大于阈值 且 过零率大于阈值"的联合条件,可以更稳健地区分语音与噪声,减少单一特征带来的误判。图中示意了这一互补关系。

(四)阈值自适应与端点检测的完整流程

固定阈值在噪声环境变化时表现不佳,因此实践中常采用自适应阈值(如根据前若干帧的噪声估计动态调整 θ_E、θ_Z),并配合"起止点判定"逻辑:当连续若干帧满足语音条件时判定为语音起点,连续若干帧不满足时判定为语音终点,从而得到完整的话音片段。

四、实际应用场景

(一)语音识别的端点检测

ASR 系统依赖 VAD 确定用户"何时开始说、何时说完",从而裁剪出有效的语音片段送入识别器,既降低计算量,又避免把静音误识别为内容。

(二)对话式语音智能体的打断检测

在 SynaVoice 这类全双工语音智能体中,VAD 用于检测用户是否在 AI 播报过程中插话(barge-in),是实现自然、拟人对话体验的关键前提。准确、低延迟的端点检测,决定了打断响应是否及时。

(三)语音编码与通话

在 VoIP、免提电话、语音存储等场景中,VAD 用于在无人说话时抑制传输(不连续传输,DTX),节省带宽与功耗;同时配合回声消除与降噪,提升通话质量。

五、示例说明

假设一帧语音信号:前半段是静音(幅值接近 0),后半段是用户说出"你好"的浊音段(幅值明显增大)。计算得到:

静音帧:E_t 很小(低于 θ_E),过零率也低 → V_t = 0;

浊音帧:E_t 明显增大(超过 θ_E),过零率适中且满足阈值 → V_t = 1。

系统据此识别出"你好"的起始与结束位置,将该片段送入识别器。若此时还有一段高频噪声(如"嘶嘶"声),其过零率虽高但能量可能偏低,联合判决会将其判为非语音,从而避免误触发。这一例子体现了能量与过零率联合判决在真实环境中的鲁棒性。

六、小结

语音活动检测是语音处理链路的"门卫",而能量与过零率的联合判据,则是理解 VAD 原理最经典、最直观的入口。它用两个简单特征,刻画了语音在"强度"与"频谱"两个维度上的本质差异,奠定了端点检测与全双工交互的技术基础。

语音活动检测 配图 1

图 1 语音活动检测示意:能量与过零率联合区分语音与静音