语音活动检测器
检测音频信号中是否存在语音
描述
这个语音活动检测器系统对象™ 检测音频段中是否存在语音。您也可以使用语音活动检测器系统对象输出每个频率仓的噪声方差的估计。
要检测语音的存在，请执行以下操作：
创建
语音活动检测器对象并设置其属性。使用参数调用对象，就像调用函数一样。
要了解有关系统对象如何工作的更多信息，请参见什么是系统对象？
创造
描述
VAD=语音活动检测器创建一个系统对象，通过采用它可以通过每个输入通道独立地检测语音的存在。
VAD=语音活动检测器(设置每个属性名称、值)名称到指定的价值。未指定的属性具有默认值。
VAD=语音活动检测器（'InputDomain'，'Frequency'）创建一个系统对象，通过采用，它接受频域输入。
属性
用法
输入参数
输出参数
目标函数
要使用对象函数，请将系统对象指定为第一个输入参数。例如，释放名为的系统对象的系统资源obj，使用下面的语法:
释放（obj）
例子
检测语音活动
使用默认值语音活动检测器系统对象™ 检测流式音频信号中是否存在语音。
创建音频文件读取器以流式传输音频文件进行处理。定义参数，将音频信号分块为10毫秒非重叠帧。
fileReader=dsp.AudioFileReader(“计数-16-44p1-mono-15秒波形”); fs=fileReader.SampleRate；fileReader.sampleperframe=ceil（10e-3*fs）；
创建默认值语音活动检测器系统对象来检测音频文件中是否存在语音。
VAD=语音活动检测器；
创建一个范围，以绘制语音活动检测器检测到的音频信号和相应的语音存在概率。创建一个音频设备编写器，通过声卡播放音频。
范围=时间范围(...“NumInputPorts”2,...“SampleRate”，财政司司长，...“时间跨度源”,“属性”,“时间间隔”3,...“BufferLength”3 * fs,...“YLimits”,[-1.5 1.5],...“TimeSpanOverrunAction”,“滚动”,...“ShowLegend”符合事实的...“ChannelNames”,{“音频”,“言语存在的可能性”}); deviceWriter=音频设备编写器(“SampleRate”，fs）；
在音频流循环中:
从音频文件中读取。
计算语音出现的概率。
可视化音频信号和语音存在概率。
通过声卡播放音频信号。
虽然~isDone(fileReader) audioIn = fileReader();概率= VAD (audioIn);范围(audioIn,概率* (fileReader.SamplesPerFrame 1)) deviceWriter (audioIn);终止
使用重叠帧检测语音活动
使用语音活动检测器检测音频信号中是否存在语音。绘制语音存在的概率以及音频样本。
创建一个音频文件读取器系统对象™ 读取语音文件。
afr=dsp.AudioFileReader(“计数-16-44p1-mono-15秒波形”)；fs=afr.取样器；
将音频分成20毫秒的帧，连续帧之间有75%的重叠。将帧时间(秒)转换为样本。确定跳跃大小(新样本的增量)。在音频文件读取器中，将每帧的样本设置为跳数大小。创建默认值dsp。AsyncBuffer对象来管理音频帧之间的重叠。
frameSize=ceil（20e-3*fs）；overlapSize=ceil（0.75*frameSize）；hopSize=frameSize-overlapSize；afr.SamplesPerFrame=hopSize；inputBuffer=dsp.AsyncBuffer(“能力”，框架尺寸）；
创建一个语音活动检测器系统对象。请指定FFT长度为1024。
VAD=语音活动检测器(“FFTLength”,1024);
创建一个范围来绘制音频信号和相应的语音存在概率，如语音活动检测器检测到的。创建一个音频设备编写器通过声卡播放音频的系统对象。
范围=时间范围(“NumInputPorts”2,...“SampleRate”，财政司司长，...“时间跨度源”,“属性”,“时间间隔”3,...“BufferLength”3 * fs,...“YLimits”,[-1.5,1.5],...“TimeSpanOverrunAction”,“滚动”,...“ShowLegend”符合事实的...“ChannelNames”,{“音频”,“言语存在的可能性”}）;球员= audioDeviceWriter (“SampleRate”，fs）；
初始化一个向量以保存概率值。
pHold=个（hopSize，1）；
在音频流循环中:
从音频文件中读取一跳值的样本并将样本保存到缓冲区中。
从缓冲区中读取与前一帧有指定重叠的帧。
调用语音活动检测器以获取分析帧的语音概率。
将概率向量的最后一个元素设置为新的概率决策。使用时间范围可视化音频和语音存在概率。
通过声卡播放音频。
将概率向量设置为下一个循环中打印的最新结果。
虽然~isDone（afr）x=afr（）；n=write（inputBuffer，x）；overlappedInput=read（inputBuffer，frameSize，overlapSize）；p=VAD（overlappedInput）；pHold（end）=p；scope（x，pHold）player（x）；pHold（：）=p；终止
释放球员一旦音频播放完毕。
释放（玩家）
频域语音活动检测与倒谱特征提取
许多特征提取技术在频域上运行。仅将音频信号转换为频域一次是有效的。在此示例中，将流音频信号转换为频域并将该信号馈送到语音活动检测器中。如果存在语音，则使用频域信号从频域信号中提取熔融频率谱系数（MFCC）特征cepstralFeatureExtractor系统对象™.
创建一个音频文件读取器要从音频文件读取的系统对象。
fileReader=dsp.AudioFileReader(“计数-16-44p1-mono-15秒波形”); fs=fileReader.SampleRate；
处理音频在30毫秒帧与10毫秒跳。创建默认值dsp。AsyncBuffer对象来管理音频帧之间的重叠。
samplesPerFrame=ceil（0.03*fs）；samplesPerHop=ceil（0.01*fs）；samplesPerOverlap=samplesPerFrame-samplesPerHop；fileReader.samplesPerFrame=samplesPerHop；buffer=dsp.AsyncBuffer；
创建一个语音活动检测器系统对象和cepstralFeatureExtractor系统对象。指定它们在频域中运行。创建dsp。SignalSink记录提取的倒谱特征。
VAD=语音活动检测器(“InputDomain”,“频率”)；倒谱特征=倒谱特征提取器(“InputDomain”,“频率”,“SampleRate”，财政司司长，“LogEnergy”,“替换”)；sink=dsp.signalssink；
在音频流循环中:
从音频文件中读取一个跃点的样本，并将样本保存到缓冲区中。
从屏幕上读一帧
缓冲器与上一帧具有指定的重叠。调用语音活动检测器以获取分析帧的语音概率。
如果被分析帧的语音概率大于0.75，则提取倒谱特征并使用信号接收器记录特征。如果正在分析的帧的语音概率小于0.75，则向接收器写入NAN向量。
阈值= 0.75;nanVector =南(13);虽然~isDone（fileReader）audioIn=fileReader（）；写入（缓冲区、音频输入）；overlappedAudio=读取（缓冲区、samplesPerFrame、samplesPerOverlap）；X=fft（帕杜约，2048年）；说话的概率=VAD（X）；如果probabilityOfSpeech > threshold xFeatures = cepFeatures(X);水槽(xFeatures”)其他的水槽(nanVector)终止终止
可视化随时间变化的倒频谱系数。
时间向量=linspace（0,15，大小（sink.Buffer，1））；绘图（时间向量、接收器、缓冲区）xlabel(‘时间’)伊拉贝尔(“MFCC振幅”)传说(“Log-Energy”,“c1”,“c2”,“c3”,“c4”,“c5”,“c6”,“c7”,“c8”,“c9”,“c10”,“c11”,‘c12’)
确定流音频的基音轮廓
创建一个音频文件读取器对象以逐帧读取音频。
fileReader=dsp.AudioFileReader(“singing-a-major.ogg”);
创建一个语音活动检测器对象检测流式音频中是否存在语音。
VAD=语音活动检测器；
当有未读样本时，从文件中读取并确定帧包含语音活动的概率。如果帧包含语音活动，呼叫抛估计音频帧的基频。如果帧不包含语音活动，则将基频声明为楠.
f0 = [];虽然~isDone(fileReader) x = fileReader();如果VAD（x）>0.99决策=节距（x，fileReader.SampleRate，...“窗口长度”，尺寸（x，1），...“重叠长度”0,...“范围”,[200,340]);其他的决定=南;终止f0=[f0；决定]；终止
绘制检测到的基音随时间变化的轮廓。
t = linspace(0,(长度(f0) * fileReader.SamplesPerFrame) / fileReader.SampleRate长度(f0));情节(t, f0) ylabel (‘基频（Hz）’)xlabel(‘时间’网格)在…上
算法
这个语音活动检测器实现中描述的算法［１］.
如果输入域指定为“时间”，将输入信号加窗，然后根据窗,SidelobeAttenuation和FFTLength属性。如果输入域如果指定为频率，则假设输入为音频信号的加窗离散时间傅里叶变换（DTFT）。然后将信号转换为功率域。根据[2].后验和前验信噪比根据中描述的最小均方误差（MMSE）公式进行估计[3]. 一个对数似然比测试和基于隐马尔可夫模型（HMM）的挂接方案确定当前帧包含语音的概率，根据［１］.
参考文献
孙[1],Jongseo。,Nam Soo Kim, and Wonyong Sung. "A Statistical Model-Based Voice Activity Detection."信号处理信. 第6卷，第1期，1999年。
[2] 基于最佳平滑和最小统计的噪声功率谱密度估计IEEE语音和音频处理事务2001年第9卷第5期，第504-512页。
[3] 使用最小均方误差短时谱幅度估计器的语音增强IEEE声学、语音和信号处理汇刊第32卷，第6期，1984年，第1109-1121页。
扩展功能
您还可以从以下列表中选择网站：
