作為一種人機(jī)交互的手段，語音的端點(diǎn)檢測(cè)在解放人類雙手方面意義重大。同時(shí)，工作環(huán)境存在著各種各樣的背景噪聲，這些噪聲會(huì)嚴(yán)重降低語音的質(zhì)量從而影響語音應(yīng)用的效果，比如會(huì)降低識(shí)別率。未經(jīng)壓縮的語音數(shù)據(jù)，網(wǎng)絡(luò)交互應(yīng)用中的網(wǎng)絡(luò)流量偏大，從而降低語音應(yīng)用的成功率。因此，音頻的端點(diǎn)檢測(cè)、降噪和音頻壓縮始終是終端語音處理關(guān)注的重點(diǎn)，目前仍是活躍的研究主題。

　　為了能和您一起了解端點(diǎn)檢測(cè)和降噪的基本原理，帶您一起一窺音頻壓縮的奧秘，科大訊飛資深研發(fā)工程師李洪亮將為我們?cè)斀庹Z音處理檢測(cè)技術(shù)中的熱點(diǎn)——端點(diǎn)檢測(cè)、降噪和壓縮 。

　　▎端點(diǎn)檢測(cè)

　　首先來看端點(diǎn)檢測(cè)（Voice AcTIvity DetecTIon， VAD）。音頻端點(diǎn)檢測(cè)就是從連續(xù)的語音流中檢測(cè)出有效的語音段。它包括兩個(gè)方面，檢測(cè)出有效語音的起始點(diǎn)即前端點(diǎn)，檢測(cè)出有效語音的結(jié)束點(diǎn)即后端點(diǎn)。

　　在語音應(yīng)用中進(jìn)行語音的端點(diǎn)檢測(cè)是很必要的，首先很簡(jiǎn)單的一點(diǎn)，就是在存儲(chǔ)或傳輸語音的場(chǎng)景下，從連續(xù)的語音流中分離出有效語音，可以降低存儲(chǔ)或傳輸?shù)臄?shù)據(jù)量。其次是在有些應(yīng)用場(chǎng)景中，使用端點(diǎn)檢測(cè)可以簡(jiǎn)化人機(jī)交互，比如在錄音的場(chǎng)景中，語音后端點(diǎn)檢測(cè)可以省略結(jié)束錄音的操作。

　　為了能更清楚說明端點(diǎn)檢測(cè)的原理，先來分析一段音頻。上圖是一段只有兩個(gè)字的簡(jiǎn)單音頻，從圖上可以很直觀的看出，首尾的靜音部分聲波的振幅很小，而有效語音部分的振幅比較大，一個(gè)信號(hào)的振幅從直觀上表示了信號(hào)能量的大小：靜音部分能量值較小，有效語音部分的能量值較大。語音信號(hào)是一個(gè)以時(shí)間為自變量的一維連續(xù)函數(shù)，計(jì)算機(jī)處理的語音數(shù)據(jù)是語音信號(hào)按時(shí)間排序的采樣值序列，這些采樣值的大小同樣表示了語音信號(hào)在采樣點(diǎn)處的能量。

　　采樣值中有正值和負(fù)值，計(jì)算能量值時(shí)不需要考慮正負(fù)號(hào)，從這個(gè)意義上看，使用采樣值的絕對(duì)值來表示能量值是自然而然的想法，由于絕對(duì)值符號(hào)在數(shù)學(xué)處理上不方便，所以采樣點(diǎn)的能量值通常使用采樣值的平方，一段包含N個(gè)采樣點(diǎn)的語音的能量值可以定義為其中各采樣值的平方和。

　　這樣，一段語音的能量值既與其中的采樣值大小有關(guān)，又與其中包含的采樣點(diǎn)數(shù)量有關(guān)。為了考察語音能量值的變化，需要先將語音信號(hào)按照固定時(shí)長(zhǎng)比如20毫秒進(jìn)行分割，每個(gè)分割單元稱為幀，每幀中包含數(shù)量相同的采樣點(diǎn)，然后計(jì)算每幀語音的能量值。

　　如果音頻前面部分連續(xù)M0幀的能量值低于一個(gè)事先指定的能量值閾值E0，接下來的連續(xù)M0幀能量值大于E0，則在語音能量值增大的地方就是語音的前端點(diǎn)。同樣的，如果連續(xù)的若干幀語音能量值較大，隨后的幀能量值變小，并且持續(xù)一定的時(shí)長(zhǎng)，可以認(rèn)為在能量值減小的地方即是語音的后端點(diǎn)。

　　現(xiàn)在的問題是，能量值閾值E0怎么取？M0又是多少？理想的靜音能量值為0，故上面算法中的E0理想狀態(tài)下取0。不幸的是，采集音頻的場(chǎng)景中往往有一定強(qiáng)度的背景音，這種單純的背景音當(dāng)然算靜音，但其能量值顯然不為0，因此，實(shí)際采集到的音頻其背景音通常有一定的基礎(chǔ)能量值。

　　我們總是假設(shè)采集到的音頻在起始處有一小段靜音，長(zhǎng)度一般為幾百毫秒，這一小段靜音是我們估計(jì)閾值E0的基礎(chǔ)。對(duì)，總是假設(shè)音頻起始處的一小段語音是靜音，這一點(diǎn)假設(shè)非常重要?。。?！在隨后的降噪介紹中也要用到這一假設(shè)。在估計(jì)E0時(shí)，選取一定數(shù)量的幀比如前100幀語音數(shù)據(jù)（這些是“靜音”），計(jì)算其平均能量值，然后加上一個(gè)經(jīng)驗(yàn)值或乘以一個(gè)大于1的系數(shù)，由此得到E0。這個(gè)E0就是我們判斷一幀語音是否是靜音的基準(zhǔn)，大于這個(gè)值就是有效語音，小于這個(gè)值就是靜音。

　　至于M0，比較容易理解，其大小決定了端點(diǎn)檢測(cè)的靈敏度，M0越小，端點(diǎn)檢測(cè)的靈敏度越高，反之越低。語音應(yīng)用的場(chǎng)景不同，端點(diǎn)檢測(cè)的靈敏度也應(yīng)該被設(shè)置為不同的值。例如，在聲控遙控器的應(yīng)用中，由于語音指令一般都是簡(jiǎn)單的控制指令，中間出現(xiàn)逗號(hào)或句號(hào)等較長(zhǎng)停頓的可能性很小，所以提高端點(diǎn)檢測(cè)的靈敏度是合理的，M0設(shè)置為較小值，對(duì)應(yīng)的音頻時(shí)長(zhǎng)一般為200-400毫秒左右。在大段的語音聽寫應(yīng)用中，由于中間會(huì)出現(xiàn)逗號(hào)或句號(hào)等較長(zhǎng)時(shí)間的停頓，宜將端點(diǎn)檢測(cè)的靈敏度降低，此時(shí)M0值設(shè)置為較大值，對(duì)應(yīng)的音頻時(shí)長(zhǎng)一般為1500-3000毫秒。所以M0的值，也就是端點(diǎn)檢測(cè)的靈敏度，在實(shí)際中應(yīng)該做成可調(diào)整的，它的取值要根據(jù)語音應(yīng)用的場(chǎng)景來選擇。

　　以上只是語音端點(diǎn)檢測(cè)的很簡(jiǎn)單的一般原理，實(shí)際應(yīng)用中的算法遠(yuǎn)比上面講的要復(fù)雜。作為一個(gè)應(yīng)用較廣的語音處理技術(shù)，音頻端點(diǎn)檢測(cè)仍然是一個(gè)較為活躍的研究方向?？拼笥嶏w已經(jīng)使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks， RNN）技術(shù)來進(jìn)行語音的端點(diǎn)檢測(cè)，實(shí)際的效果可以關(guān)注訊飛的產(chǎn)品。