Сборник докладов республиканской научно-технической конференции значение информационно-коммуникационных

VAD
Извлечение 
признаков
Создание модели
Другие задачи, 
связанные с речью

---

422 
кадры имеют более низкую энергию, чем речевые кадры [4]. Поэтому 
энергия сигнала можно использовать как индикатор присутствия речи. Речь 
добавляет энергию к сигналу, так что высокоэнергетические области сигнала 
можно принимать как участками активной речи. Можно установить порог 
голос

таким образом, чтобы, когда энергия сигнала 
 
2
x

выше порогового 
значения, VAD указывал на речевую активность.
 
 
2
2
0,
( )
1,
голос
голос
x
VAD x
x







 


Для реализации данного подхода, применяется оконное управление к 
входному сигналу с окнами длиной 25 
мс
и 10 мс перекрытием. Пусть на 
текущем 
кадре 
наблюдается 
последовательность 
N
отсчетов 
1
2
,
,...,
,...,
.
k
N
x x
x
x
Для каждого окна вычисляется энергия сигнала с помощью 
следующей формулы: 
 
1
2
2
2
0
1
N
k
k
x
x
x
N






Обычно, принятия решения осуществляется на основе энергетического 
порога. Данный алгоритм является параметрическим, т.е. необходимо 
установить пороговый параметр вручную. Результаты для временного ряда 
при применении VAD на основе энергии (
пороговый параметр = 0.6
) 
приведен на рисунке 2 [5].
Рис. 2. Временные ряды и результаты VAD на основе энергии 
Заключение.Обнаружение пауз в речи, который позволяет существенно 
повысить точность разделения на активные участки речи и паузы. При этом 
качество восстанавливаемой речи остается практически на том же уровне. 
В статье предлагается алгоритм обнаружения речевой активности на 
основе энергии. Определено, что выбор детектора речевой активности 
существенно влияет на результаты работы системы распознавания диктора и 
речи. Однако стоит заметить, что не существует алгоритма VAD, решающего 
наилучшим образом различные задачи. Дальнейшее направление исследо-
ваний –изучение поведения разработанного алгоритма в различных условиях. 
Литература 
1.
Kondoz A.M. Digital Speech. John Wiley & Sons, Ltd. 2004. – 442 p. 
2.
https://en.wikipedia.org/wiki/Voice_activity_detection 
3.
Homayoon Beigi, Fundamentals of Speaker Recognition, Springer, 2011 
4.
R.G.Bachu, S.Kopparthi, B.Adapa, B.D.Barkana, "Voiced/Unvoiced Decision for Speech 
Signals Based on Zero-Crossing Rate and Energy," 2010. 
5.
https://github.com/wiseman/py-webrtcvad 

---

423