第六章：感知篇 - 语音活动检测：让助手知道“你何时在说话”

本章深入语音活动检测（VAD, Voice Activity Detection）的算法原理与工程实践，结合前几章的音频采集与前端处理代码，给出可运行的实时与离线示例、逐行注释解析、参数调优与性能评估，以在多场景中稳定识别“你何时在说话”。

---

6.1 VAD：智能语音交互的“哨兵”——原理与作用深入解析

• 为什么需要 VAD？

  • 资源守门人：在对话助手中，VAD 决定了何时启动录音/ASR，避免持续采集导致算力与带宽浪费。
  • 体验优化器：减少空白录音与环境噪声段的传输，提升响应速度与界面反馈的准确性。
  • 算法串联枢纽：VAD 的输出可驱动 NS（噪声抑制）、AEC（回声消除）、AGC（增益控制）与 ASR 的状态切换。

• 信号建模（中英文对照）

  • 观测模型（Observation Model）：x(t) = s(t) + n(t)，其中 s(t) 为语音（Speech），n(t) 为噪声（Noise）。
  • 帧化（Framing）：固定长度 N（如 20ms @16kHz → N=320）划窗处理（Windowing），如 Hamming 窗 w[n]。
  • 特征（Features）：能量（Energy/RMS）、过零率（ZCR, Zero-C