柏 顺,颜夕宏,张生平,陈建飞,张 胜

(1.南京邮电大学电子与光学工程学院,江苏 南京 210023)(2.南京梧桐微电子科技有限公司,江苏 南京 210023)

语音端点检测(voice activity detection,VAD)是指在一段语音信号中区分出话音段和无话音段,并标出起点和终点,其本质上是寻求能够区分话音段和噪音段的特征参数来对其进行准确划分[1]. VAD是语音信号处理领域中至关重要的一环,其性能优劣直接影响语音系统的处理性能. 在低信噪比环境下,噪音会对语音特征参数的提取结果造成极大干扰,从而导致检测准确率大幅下降[2-4]. 优秀的VAD算法可以降低处理时间、适应各种复杂的噪声环境,因此对之进行深入研究具有较高的实用价值.

语音端点检测的方法有两类:一是针对语音的特征参数来讨论的,如能零比[5]、谱熵[6]、频带方差[7]、自相关函数的主次峰值比等,其中短时能量对噪音的敏感度较高,因此常被作为辅助参数使用[8-9];二是基于模型基础,主要方法有支持向量机[10]和神经网络[11]等. 然而,虽然已有大量VAD算法被提出,但在低信噪比环境中VAD准确率仍然较低.

有学者[12]指出MFCC的第一分量的绝对值占据了很高的比重,且具有语音追踪的能力,文章中将其提取并结合谱熵进行端点检测,得到了较高的VAD准确率(约提高了20%). 本文发现MFCC的前3个分量均具有语音追踪能力,为了提高特征参数在端点检测中的敏感度,提出将MFCC敏感度较大的3个分量的绝对值进行累加,再与短时能量进行相比,得到的结果作……