【论文关键词】语音增强 语音活动检测 语音存在概率
【论文摘要】首先总结了几种常见的语音活动检测（VAD）方法，然后从计算每帧每个频率点的语音存在概率出发，提出了一种新的VAD方法，并就其中的一些参数选择问题进行了讨论。最后给出新方法与传统方法实验结果对比。
1引言
日常生活中，人们说话有间隙，有必要对一段语音进行检测，以确定哪些时间上是有语音，哪些时间上没有语音。在语音编码中，语音活动检测（Voice ActivityDetection，VAD）用来区分有语音段和无语音段。如果一段时间被判断为无语音段，则不需对其编码。这样可减少信道带宽的占用，使有限的带宽得到合理使用。在语音增强中，VAD用来判断一段时间上是否存在语音。如果某段时间内不存在语音，那么这段时间就只有噪声存在，因此可以被用来估计和更新噪声功率谱。在语音增强领域，VAD的性能往往直接影响到最后的结果。因为目前多数的语音增强算法必须对噪声功率谱进行估计，如果噪声功率谱估计不准确，就会导致最后的增益函数估计不准确。准确的噪声功率谱估计须建立在准确的纯噪声段判断的基础上。
笔者提出了一种新的VAD方法，这种方法建立在每帧每个频率点的语音存在概率的基础上。根据概率大小判断是否存在语音。
2语音存在概率估计
为进行VAD，首先对每帧每个频率点进行语音存在概率估计，该估计大致分为两步：（1）估计是否存在强语音成分；（2）估计语音不存在概率和语音存在概率。含噪语音由纯净语音和噪声叠加而成，所以假设
Y（k，l）=X（k，l）+D（k，l）（1）
其中，Y（k，l）为含噪信号，X（k，l）为纯净语音，D（k，l）
为噪声，k为某一帧的频率点编号，l为帧编号。
2.1估计是否存在强语音成分
含噪语音中某些地方会有明显的语音存在，由于后面估计语音不存在概率需要用到相邻帧的信息，所以强语音成分存在会严重影响到语音不存在概率估计。因此有必要先对某帧是否存在强语音进行判断，如果是，那么在下面的语音不存在概率估计过程中将不会用到此帧的信息。
对于含噪信号，要进行两次平滑，一次是帧内平滑，一次是帧间平滑。首先进行帧内平滑
其中，αs为平滑参数且0<αs<1。然后搜索D帧中各频率点的最小值，即Smin（k，l）=min{S（k，l′）|l-D+1≤l′≤l}（4）根据文献[1]可找到Bmin，满足E{Smin（k，l）}=B-1min·λd（k，l）（5）也就是说可通过一个补偿因子Bmin估计出当前帧的噪声功率谱。定义
根据γmin和ζ，按照下面的判决准则，判断当前帧是否含有强语音成分
其中，“0”为有强语音存在，“1”为没有强语音存在，γ0=4.6，ζ0=1.67。
2.2估计语音不存在概率和语音
存在概率利用前面强语音成分判断的结果，可通过先排除含有强语音成分的频率点，再进行帧内平滑和帧间平滑，最后得到对应于每帧每个频率点的估计量。这个估计量反映了该帧每个频率点上能量情况。如某帧是无语音帧，则其各频率点上的估计量将会较小。再通过对一段区间上搜索最小估计量，将搜索到的结果作为参照标准。当某帧某个频率点的估计量超过参照标准的若干倍时，即判定此处含有语音，否则就不含有语音。首先，利用是否存在强语音的判决结果进行新的帧内平滑和帧间平滑。先进行帧内平滑
的计算用到了I（k，l），排除了强语音存在的频率点。再进行帧间平滑
然后同前面估计是否存在强语音成分一样，进行区间最小值搜索
定义
l ）=E{D（k，l）2}。由于按照式（13）计算语音存在概率需要估计先验信噪比ξ和后验信噪比γ，如果估计不准确，必然导致VAD结果不准确。故这里对此进行简化，直接用1减去q（k，l）作为语音存在概率p（k，l）。
3利用语音存在概率进行VAD
3.1检测指标计算
估计出语音存在概率后，还不能直接用来进行VAD，因为这些概率是针对每一个频率点的，需要将这些信息转换为某一帧的评价量。通过对语音存在概率随时间和频率点分布的观察，发现有2项指标可被用来比较准确地辨别出有声段和无声段，分别是
其中，pt为某一帧所有频率点的语音存在概率之和，pe为某一帧上语音存在概率为1的所有频率点个数，M为有频率点数。但是，实验表明，这两个参数虽然总体上可以看出哪些是无声段哪些是有声段，但起伏可能非常剧烈，所以需要进行平滑处理。设定
其中，采用了当前帧前面4帧的数据进行平滑。
3.2参数设定判断是否存在语音主要看式（17）~（18）中2个指标是否超过某个门限。具体为
其中，式（19）~（20）对一段含噪信号最开始一段的2个指标求平均，然后利用式（21）~（22）得到正式的门限；W为每帧有频率点数。其判断结果
其中，“1”为有语音，“0”为无语音。
4实验结果
为 评价该VAD方法的性能，设定如下指标
含噪信号是人工合成的，其中纯净信号来自一段评书，噪声信号取自Noisex-92噪声库，包括白噪声、粉红噪声、F16战斗机噪声、沃尔沃汽车噪声、闲聊声和工厂噪声等，信噪比均为6 dB。所有指标均与文献[3]中的方法对比。含语音帧总数和纯噪声帧总数根据纯净信号人为判定。将文献[3]中的方法称为方法A，本文方法称为方法B。3项指标的计算结果列于表1~3。
可看出，在大部分情况下，方法B要优于方法A；但当信噪比降低到一定程度后，方法A要优于方法B。图1给出了背景噪声是白噪声时，2种方法的性能比较。可看出，当输入信噪比大于5 dB时，方法B明显优于方法A；但当信噪比降到0 dB后，方法A好于方法B。
5总结
这 种新的VAD方法在信噪较高时，效果非常好。如实验发现，当背景噪声为白噪声，信噪比为18 dB时总体准确率可达0.961 8，而文献[3]中的方法只能达到0.831 3。但当信噪比下降到0 dB后，新的方法表现不如文献[3]中的方法。另外，在背景噪声为非平稳噪声时，效果也不够理想，有待改进。
参考文献
[1]MARTIN R.Noise power spectral density estimation basedon optimal smoothing and minimum statistic [J].IEEETrans.on Speech and Audio Processing，2001，9（5）：504-512.
[2]COHEN I.Noise spectrum estimation in adverse environment:improved minima controlled recursive averaging[J].IEEE Trans.on Speech and Audio Processing，2003，11（5）：466-475.
[3]吴平，谷源涛，崔慧娟.一种稳健的背景噪声监测方法[J].电声技术，2003（11）：42-45.