俞景彦，赵晓群

(同济大学电子与信息工程学院，上海 201804)

随着大数据时代的到来，数字语音处理、语音识别等技术在不断发展的同时，对语音语料数据的需求也越来越大。语音标注通过一定的形式对原始语音及其对应的发音文本进行配对，能够为语音识别等技术提供前端语料数据[1]。在语音标注中，端点检测技术起着至关重要的作用，对长语音语料进行处理时，需要提取有声片段并分割成短语或词汇，进而标注对应文本信息，生成训练数据。对语音端点检测技术的研究不仅能够提高语音标注的准确率，还能在加快语音识别速度的同时，一定程度上保障识别的准确率。

从包含语音的一段信号中检测出语音的起始点和终止点，准确分离有效语音信号和无效噪声信号的技术被称为语音端点检测（Voice Activity Detection，VAD）。语音端点检测方法大致可分成无监督方法和有监督方法两大类。无监督的语音端点检测方法大多是基于阈值的，此类方法中最经典的是采用短时能量和过零率作为特征参数的双门限端点检测法。常用特征参数还包括频谱熵[2]、频带方差[3]、谱距离[4]和频谱平坦度[5]等。 基于统计模型的方法常利用统计似然比检验辅助端点检测[6]。无监督的端点检测技术算法简单、计算快速，能够满足实时系统的要求；但存在鲁棒性差、抗噪声性能差等弊端，当信噪比急速下降时，简单的特征参数不再有效，端点检测效果变差。有监督语音端点检测算法中基于模式匹配的方法常采用支持向量机[7]、高斯混合模型[8]和隐马尔可夫法[9]等。……