引言

语音信号处理是人工智能、通信技术和人机交互领域的重要研究方向。其中，语音端点检测（Voice Activity Detection, VAD）和语音分割是语音处理的基础环节，直接影响到语音识别、语音合成、语音增强等后续任务的性能。传统的语音端点检测方法多基于能量阈值、过零率等单一特征，在噪声环境下性能下降明显。双门限法作为一种改进的VAD技术，通过引入高低两个阈值，结合时域和频域特征，有效提升了复杂环境下的检测精度。本文将围绕“基于双门限法的语音端点检测及语音分割”展开，从原理、实现到优化策略进行全面探讨。

双门限法原理

1. 基本概念

双门限法的核心思想是利用两个不同级别的阈值（高阈值和低阈值）对语音信号进行分段判断。高阈值用于确认语音活动的起始和结束点，低阈值则用于辅助判断，避免因短暂噪声或语音停顿导致的误判。具体而言，当信号能量超过高阈值时，判定为语音段；当信号能量低于低阈值时，判定为非语音段；介于两者之间时，需结合前后帧信息进一步判断。

2. 特征选择

双门限法通常结合时域和频域特征以提高鲁棒性。时域特征主要包括短时能量（Short-Time Energy, STE）和过零率（Zero-Crossing Rate, ZCR）。短时能量反映了信号的强度，过零率则反映了信号的频率变化。频域特征可通过傅里叶变换或梅尔频率倒谱系数（MFCC）提取，用于捕捉语音的频谱特性。

3. 双门限设定

门限值的设定是双门限法的关键。高阈值（TH_high）通常设为噪声基底加上一定偏移量，以区分语音和强噪声；低阈值（TH_low）则设为略低于噪声基底，用于捕捉语音的弱部分。门限值可通过自适应算法动态调整，以适应不同噪声环境。

实现步骤

1. 预处理

语音信号预处理包括预加重、分帧和加窗。预加重用于提升高频部分，分帧将连续信号划分为短时帧（通常20-30ms），加窗（如汉明窗）用于减少频谱泄漏。

import numpy as np
import scipy.signal as signal
def preprocess(audio, fs=16000, frame_length=0.025, frame_shift=0.01):
    # 预加重
    pre_emphasis = 0.97
    audio = np.append(audio[0], audio[1:] - pre_emphasis * audio[:-1])
    # 分帧
    frame_samples = int(frame_length * fs)
    shift_samples = int(frame_shift * fs)
    num_frames = int(np.ceil((len(audio) - frame_samples) / shift_samples)) + 1
    frames = np.zeros((num_frames, frame_samples))
    for i in range(num_frames):
        start = i * shift_samples
        end = start + frame_samples
        if end > len(audio):
            frames[i, :len(audio)-start] = audio[start:]
        else:
            frames[i] = audio[start:end]
    # 加窗
    window = np.hamming(frame_samples)
    frames = frames * window
    return frames

2. 特征提取

计算每帧的短时能量和过零率。

def extract_features(frames):
    # 短时能量
    ste = np.sum(frames**2, axis=1)
    # 过零率
    zcr = np.zeros(len(frames))
    for i, frame in enumerate(frames):
        crossings = np.where(np.diff(np.sign(frame)))[0]
        zcr[i] = len(crossings) / len(frame)
    return ste, zcr

3. 双门限检测

根据设定的双门限值进行语音端点检测。

def vad_dual_threshold(ste, zcr, th_high, th_low, zcr_th=0.1):
    num_frames = len(ste)
    is_speech = np.zeros(num_frames, dtype=bool)
    # 初始状态
    state = 'silence'  # 'silence', 'speech', 'transition'
    for i in range(num_frames):
        if state == 'silence':
            if ste[i] > th_high and zcr[i] < zcr_th:
                state = 'speech'
                is_speech[i] = True
        elif state == 'speech':
            if ste[i] < th_low:
                state = 'transition'
            else:
                is_speech[i] = True
        elif state == 'transition':
            if ste[i] > th_high and zcr[i] < zcr_th:
                state = 'speech'
                is_speech[i] = True
            elif ste[i] < th_low:
                state = 'silence'
    # 填充短暂间隙
    min_silence_duration = 3  # 帧数
    silence_count = 0
    for i in range(1, num_frames):
        if is_speech[i-1] and not is_speech[i]:
            silence_count = 1
        elif is_speech[i-1] and is_speech[i]:
            silence_count = 0
        elif not is_speech[i-1] and is_speech[i]:
            if silence_count < min_silence_duration:
                is_speech[i-silence_count:i] = True
            silence_count = 0
        else:
            silence_count += 1
    return is_speech

4. 语音分割

根据VAD结果将语音信号分割为多个语音段。

def segment_speech(audio, is_speech, fs=16000, frame_shift=0.01):
    shift_samples = int(frame_shift * fs)
    speech_segments = []
    start_idx = None
    for i, speech in enumerate(is_speech):
        if speech and start_idx is None:
            start_idx = i
        elif not speech and start_idx is not None:
            end_idx = i
            start_sample = start_idx * shift_samples
            end_sample = end_idx * shift_samples
            segment = audio[start_sample:end_sample]
            speech_segments.append(segment)
            start_idx = None
    # 处理最后一个语音段
    if start_idx is not None:
        end_sample = len(audio)
        segment = audio[start_idx * shift_samples:end_sample]
        speech_segments.append(segment)
    return speech_segments

优化策略

1. 自适应门限调整

动态调整门限值以适应不同噪声环境。可通过计算噪声基底的移动平均值，并设置偏移量来确定高、低阈值。

def adaptive_thresholds(ste, noise_floor_offset=5, high_offset=10, low_offset=3):
    noise_floor = np.mean(np.sort(ste)[:int(len(ste)*0.1)])  # 取最低10%分位作为噪声基底
    th_high = noise_floor + high_offset
    th_low = noise_floor + low_offset
    return th_high, th_low

2. 多特征融合

结合MFCC等频域特征，提升复杂环境下的检测性能。可通过计算MFCC的能量或变化率作为辅助特征。

3. 后处理

应用形态学操作（如膨胀、腐蚀）平滑VAD结果，减少短暂噪声或语音停顿导致的误判。

结论

双门限法通过引入高低两个阈值，结合时域和频域特征，有效提升了语音端点检测在噪声环境下的鲁棒性。本文详细阐述了双门限法的原理、实现步骤及优化策略，并通过代码示例提供了可操作的实现方案。未来工作可进一步探索深度学习与双门限法的结合，以进一步提升语音分割的精度和效率。