蔡 铁，唐 飞，龙志军

(1．深圳市可视媒体处理与传输重点实验室，广东深圳518172;2．深圳信息职业技术学院，广东深圳518172;3．中兴通讯股份有限公司，广东 深圳518057)

语音活动检测(Voice Activity Detection，VAD)技术的目标是要确定语音开始和结束的位置，其应用十分广泛，可作为前端处理，提高语音识别系统的识别率，改善语音增强的效果，提升语音编码和传输的效率。传统的语音活动检测算法主要基于能量特征［1］，在高信噪比条件下十分简单有效，但在信噪比较低的情况下性能很差，有时甚至无法工作。因此，提高噪声条件下语音活动检测的稳健性是此领域研究工作关注的重点，如负熵［2］、长时谱散度［3］、自相关特征［4］等，虽然提高了 VAD算法在低信噪比环境下的稳健性，但在不同的噪声条件下还不能取得一致的好效果。近年来，一些研究者提出了一些新的时长在150 ms以上的长时特征，例如长时信号变化(Long－term Signal Variability，LTSV)特征［5］以及(Long－term Spectral Flatness Measure，LSFM)特征［6］，这些长时特征能在多种噪声条件下取得不错的效果，但大多采用传统的门限比较法，在噪声变化条件下表现不佳，检测准确率大幅降低。

此外，为提高VAD算法在低信噪比下检测的准确率，一些研究者对基于统计模型的VAD进行了深入研究［7－8］，更关注数学统计模型的选取，其中，高斯混合模型(Gaussian Mixture Models，GMM)由于在噪声环境下性能较好，近年来常用作VAD算法的统计模型［9－10］。

由于目前提出的长时特征都是从二维时频窗口中提取信息，没有引入语音的听觉谱特性。对人耳听觉功能的研究表明，人耳对语音信号的处理首先是将信号在不同频率子带进行分解，经各频率子带的处理后再综合处理结果。……