最近几个月一直在研究vad算法，今天项目被终结了，所以接下来就总结一下vad了。
关于实时的端点检测，基于asterisk系统的打断，通过计算可以获取到每一帧的160个采样点，每一个点的幅度，有正有负，这是所有一切阙值的计算依据。
1. 基于短时能量的判断。根据获取到的实时能量，将前20帧的能量的平均值作为判断的标准，当然，我们采用的avg的1.8倍 和1.3倍分别作为判断的髙阙值和低阙值。
2. 当然，如果外面有突然噪音，所以就判断连续好几帧都大于髙阙值的时候在判断现在有人在说话。
3. 补充一点，vad的识别，基本上都是基于时域和频域上的判别，时域上的判别对于信噪比较高的时候还比较理想，但是对于信噪比低的时候，基本上就失效了。对于这个分界点，具体还没有定界。
4. 时域上的还用了相关系数算法，基本上在监听到你讲话的时候，帧能量会突然变得很大，然后相邻几帧也会特别大，乘起来的话，肯定会变的更大，这个也不错，但是还是时域上的，不是很准。
5. 对于频域上的，我选择了倒谱系数MFCC系数
6. 因为了解过了webRTC，就采用webRTC的vad算法，
等有时间了再写这两个，
网友评论