语音信号处理基础——简易VAD函数

Voice Activity Detection (VAD) 在语音信号处理中，例如语音增强，语音识别等领域有着非常重要的作用。它的作用是从一段语音（纯净或带噪）信号中标识出语音片段与非语音片段。

 

例如，在语音增强中，我们希望从带噪语音信号中剔除噪音，得到纯净的语音信号，第一步就是提取噪音信息。通常的思路是通过VAD函数得到非语音片段，而非语音片段可以认为是纯噪音片段。从而可以从纯噪音信号中提取出有用信息，例如进行傅里叶变换得到噪音频谱等，再进而做下一步处理。例如谱减法，维纳滤波。此处不作讨论。

 

VAD有很多种方法，此处介绍一种最简单直接的办法。 通过short timeenergy (STE)和zero cross counter (ZCC) 来测定。（实际上精确度高的VAD会提取4种或更多的特征进行判断，这里只介绍两种特征的基本方法）。

 

l  STE: 短时能量，即一帧语音信号的能量

l  ZCC: 过零率，即一帧语音时域信号穿过0（时间轴）的次数。

 

理论基础是在信噪比（SNR）不是很低的情况下，语音片段的STE相对较大，而ZCC相对较小；而非语音片段的STE相对较小，但是ZCC相对较大。因为语音信号能量绝大部分包含在低频带内，而噪音信号通常能量较小且含有较高频段的信息。

 

故而可以通过测量语音信号的这两个特征并且与两个门限（阈值）进行对比，从而判断语音信号与非语音信号。

 
通常对语音信号分帧时取一帧20ms (因为一般会进行短时傅里叶变换，时域和频域的分辨率需要一个平衡，20ms为平衡点，此处不用考虑)。此处输入信号采样率为8000HZ。因此每一帧长度为160 samples.

 

STE的计算方法是 , 即帧内信号的平方和。

在本文中ZCC的计算方法是，将帧内所有sample平移1，再对应点做乘积，符号为负的则说明此处过零，只需将帧内所有负数乘积数目求出则得到该帧的过零率。

 

附Matlab 代码

 

clc;clear;closeall;
[s,fs]=audioread('sp8k.wav');
%s=s+(rand(length(s),1)-0.5)*sqrt(12*0.0001);
t=20;
frameL=fs*t/1000;
for i=1:length(s)/frameL
tmp=s((i-1)*frameL+1:i*frameL);
ste(i)=sum(tmp.^2);
zcc(i)=sum(tmp(1:end-1).*tmp(2:end)<0);
end
subplot(311);plot(s);title('Speech Signal');xlabel('Sample');
subplot(312);plot(ste);title('Short time energy');xlabel('Frame');
subplot(313);plot(zcc);title('Zerocrossing counter');xlabel('Frame');
t_e=0.05; % threshold of STE
t_z=40;   % threshold of ZCC
vad=(ste>t_e).*(zcc<t_z);
detect=ones(length(s),1);
for i=1:length(ste);
detect((i-1)*frameL+1:i*frameL)=vad(i);
end
figure;plot(s),holdon; plot(detect*0.5);
title('Signal and VAD');legend('Signal','VAD');xlabel('sample');
hold off;
figure;speech=s(detect==1);plot(speech);
title('non-speech signal removed');
 
结果如图



 


 

 


 
欢迎扫码关注Larry’sLab, 一块学习讨论与分享