语音识别系列5-语音活动端点检测（VAD）

语音识别系列7-语音活动端点检测（VAD）

一、介绍

语音活动端点检测（VAD）已经是一个古老的话题，用于分离信号中语音信号和非语音信号，首先我们讲述VAD的三种做法：1，通过分帧，判断一帧的能量，过零率等简单的方法来判断是否是语音段；2，通过检测一帧是否有基音周期来判断是否是语音段；3，通过DNN的方法训练模型来分类是否是语音帧。相对来说，通过DNN的方法来做VAD准确率会更好一些，本节我们讲述通过DNN来做语音分类，进而分离语音段和非语音段。

 

二、方法及原理

我们采用的训练数据为：语音识别做音素对齐后的数据，也就是说每一帧都有对应的音素，我们这里把对应为SIL的帧作为非语音帧，把对应为非SIL的帧作为语音帧。这样我们就有了训练DNN模型的数据和标签。接着我们使用KALDI中NNET3来训练DNN网络，为了减小网络规模，我们使用TDNN，每层结点数逐层递减，代码如下：

 

  echo "$0: creating neural net configs