早安安！

三、基於神經網路的VAD之一

基於統計模型的演算法主要依賴幾個子頻內預設的能量分布模型，對語音、雜訊進行區分，這在訊號雜訊低、非平穩雜訊的環境中，就容易出現誤檢率較高的情況，如使用WebRTC的VAD演算法會在雜訊處出現大量偽陽性的結果。

隨著深度學習的蓬勃發展，基於神經網絡的VAD演算法受到了廣泛的應用（Sainath，2016；Tong，2016；Kim，2018）。由於神經網絡是從大量訓練資料中學習語音視譜和雜訊頻譜的規律，來加以區分，因此訓練後的模型能夠準確的區分語音及非語音的頻譜，從而提高VAD演算法的抗雜訊、抗干擾的性能。很多地方都已經搭載了基於神經網絡的VAD演算法，用來進行第一級的啟動檢測。

對於神經網絡，VAD可以被理解為二分類問題，就是對每一幀的語音輸入進行「0」或「1」的結果判別，由於VAD對功耗和即時性有比較高的要求，因此使用的模型都會比較簡單一點，如下圖：

我們先看一下這張圖，該演算法的具體步驟，首先透過一個滑動窗將輸入的時域波形分幀，並進行STFT得到訊號的頻譜。滑動窗的設定通常與常用語音辨識模型的設定相同（寬度為25ms，幀移為10ms）。然後使用一個包含64個通道的Gammatone濾波器組（Segbroeck，2013）對每一幀訊號頻譜進行頻域濾波，並得到一組64維的特徵，Gammatone濾波器組也可換成Mel等其他的頻域特徵提取方法，這些的共同點是根據人耳特性有不同的頻域解析度，低頻處的子頻多、子頻寬窄、顆粒度細，高頻處則反之。

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