你好哇！

VAD的簡介

VAD演算法通常形式是給定一幀（10～30ms）音訊資料，輸出該資料中含有語音的機率，在實際操作中，VAD的結果會包含大量雜訊，因此如何提高VAD的抗雜訊是很重要的問題。

VAD演算法大致由，特徵提取及語音或非語言判決，這兩個部分組成，傳統的特徵包括過零率、能量值、頻譜等，判決的方法則是有基於門限方法和基於統計模型的方法。在安靜環境下，VAD模型可以表現很好，而在訊號雜訊比（SNR）比較低的環境中，如何有效分辨語音及雜訊，就是其最大問題，隨著深度學習興起，VAD也比傳統方法有更優異的表現。

一、基於門限判決的VAD

VAD是屬於比較基礎且輕量的模型，在各方面需要考慮的因素有很多，如：需將語音及非語音的分離度盡可能加大、考慮到其計算力偏低等問題。短時能量是用於語音檢測最直觀的依據，由於語音訊號的特徵是隨著時間變化，典型的能量值在濁音及清音會有很大的變化，因此在計算短時能量時需要一個比較短的窗函數來回應，對於訊號x(n)，如有窗函數w(n)，且長度為N，則短時能量可以表示如下公式：

由於語音訊號在不同範圍的能量差異大，所以在使用時會拓展到多個子頻，分別計算每個子頻的能量，再去設定不同的判決設定值。由於短時能量是對訊號的平方計算，所以高低音量的差距會變得更大，短時平均幅度計算公式如下：

簡單門限判決的VAD演算法主要適用於安靜環境，在非平穩雜訊過多的環境下會用到之後提及的基於統計模型演算法。

參考書籍：Hey Siri及Ok Google原理：AI語音辨識專案真應用開發
參考網站：今日無
學習對象：ChatGPT