4、传统VAD方法：基于能量、过零率、谱熵、长时能量比的阈值方法，以及其优缺点

语音活动检测（Voice Activity Detection, VAD）是语音信号处理链路中的第一道关口，其核心任务是从连续的音频流中区分出“有人说话”的语音段与“无人说话”的噪声段/静音段。在语音识别、实时通信、智能音箱唤醒、会议录音转写等场景中，VAD的准确性直接影响后续处理的计算资源分配与系统功耗。在深度学习端到端VAD模型普及之前，传统VAD方法长期依赖信号处理中的手工特征与阈值判决。这些方法计算量小、可解释性强、无需训练数据，至今仍在嵌入式设备与低功耗场景中广泛使用。本章将系统讲解四种最具代表性的传统VAD方法：短时能量、过零率、谱熵以及长时能量比，并深入剖析各自的适用边界与工程调优经验。

上图展示了传统VAD方法的整体框架：音频信号经过分帧加窗后，并行提取多种手工特征，再通过阈值判决器输出语音/非语音标记。实际工程中，这四种特征往往不是孤立使用的，而是通过加权组合或级联判决来提升鲁棒性。下面逐一展开每种方法的原理与工程细节。

4.1 短时能量法：最直观的语音存在性指标

核心原理

短时能量（Short-Time Energy, STE）反映了一帧信号的平均功率。语音信号在发声时，声带振动产生较高的声压级，其能量通常高于环境噪声。对于第 n 帧信号 x_n(m)，其短时能量定义为：

E(n) = Σ_{m=0}^{N-1} [x_n(m) · w(m)]²

其中 w(m) 为窗函数（常用汉明窗），N 为帧长。实际计算中，也可使用对数能量 log10(E(n)) 来压缩动态范围，使判决阈值更稳定。能量法的核心假设是：语音段的能量显著高于纯噪声段。在安静办公室、车内等平稳噪声环境中，这一假设基本成立。

判断方法与操作流程

1. 预加重：对原始信号施加一阶高通滤波器（如 y(n)=x(n)-0.97x(n-1)），提升高频分量，避免能量集中在低频而掩盖语音细节。
2. 分帧加窗：帧长20-30ms，帧移10ms，加汉明窗减少频谱泄漏。
3. 计算每帧能量：按上述公式计算 E(n)。
4. 估计噪声基底：取前10-20帧（假设为纯噪声）的能量均值 μ_noise 和标准差 σ_noise。
5. 设定阈值：常用 Th = μ_noise + α·σ_noise，α 取 3~5。也可使用固定经验值，如能量低于最大能量的 1/10 判为噪声。
6. 判决与平滑：E(n) > Th 判为语音，否则判为噪声。为避免频繁抖动，采用滞回比较：进入语音需 E(n) > Th_high，退出语音需 E(n) < Th_low。

案例拆解：智能音箱唤醒词前的预检测

某智能音箱产品使用能量法作为唤醒词检测的前端预过滤。设备在待机状态下以 16kHz/16bit 采样，每 20ms 计算一次能量。初始噪声基底在设备启动后 500ms 内采集（假设用户尚未说话）。实际运行中，空调噪声约 45dB SPL，对应能量均值 μ_noise=1200，σ_noise=200。设定 α=4，则 Th=1200+4×200=2000。当用户说“小度小度”时，近场语音能量达到 8000~15000，远高于阈值。但测试中发现，用户敲击桌面产生的冲击噪声能量可达 20000，且持续时间仅 30ms。为解决此问题，系统增加“最小语音持续时间”约束：能量超过阈值且持续 3 帧（60ms）以上才触发唤醒检测。这一简单的时间约束将误唤醒率降低了 70%。

常见误区与总结

• 误区一：固定阈值一劳永逸。实际环境噪声随时间变化（如空调启停、风扇转速变化），必须定期更新噪声基底。
• 误区二：能量法对低信噪比（SNR<10dB）场景几乎失效。当噪声能量接近语音能量时，判决边界模糊。
• 误区三：忽略窗函数的影响。矩形窗会导致能量估计波动大，建议使用汉明窗。

短时能量法适合作为第一级粗检测，计算量极小（每帧仅需 N 次乘加），但单独使用无法应对复杂噪声环境。

4.2 过零率法：捕捉语音的时域波动特征

核心原理

过零率（Zero Crossing Rate, ZCR）定义为每帧内信号符号变化的次数。对于离散信号，ZCR 计算公式为：

ZCR(n) = (1/2N) · Σ_{m=1}^{N-1} |sgn[x_n(m)] - sgn[x_n(m-1)]|

语音信号中，清音（如 /s/、/f/）频率成分高，波形穿越零点的次数多；浊音（如 /a/、/i/）频率低，过零率低。而平稳环境噪声（如风扇声、空调声）的过零率通常介于两者之间且相对稳定。因此，ZCR 可以辅助区分清音与浊音，也能在能量法无法区分时提供补充信息。

判断方法与操作流程

1. 对每帧信号计算 ZCR(n)。
2. 统计噪声段的 ZCR 均值 μ_zcr 和标准差 σ_zcr。
3. 设定双阈值：ZCR > μ_zcr + 2σ_zcr 判为清音/语音；ZCR < μ_zcr - 2σ_zcr 判为浊音/语音；中间区域结合能量法判断。
4. 实际中，ZCR 常与能量法组成二维判决空间：能量高且 ZCR 适中 → 浊音；能量低但 ZCR 高 → 清音；两者都低 → 噪声。

案例拆解：嘈杂街道上的清音检测

某户外录音设备需要从街道噪声（车辆引擎声、风声）中检测人声。能量法在 SNR 约 5dB 时失效，因为风声能量与语音接近。分析发现，街道噪声的 ZCR 集中在 0.1~0.2 之间，而语音清音（如“四”、“七”中的声母）ZCR 可达 0.4~0.6。系统采用“能量+ZCR”联合判决：当能量超过噪声基底 1.5 倍且 ZCR 超过 0.3 时判为语音。这一方法成功检测出大部分清音，但漏检了浊音（如“啊”、“哦”）。最终方案是：能量法负责检测浊音，ZCR 法负责检测清音，两者取“或”逻辑，整体召回率从 45% 提升至 78%。

常见误区与总结

• 误区一：ZCR 阈值固定。不同麦克风、不同采样率下 ZCR 分布差异大，必须基于实际噪声统计。
• 误区二：ZCR 对脉冲噪声（如键盘敲击声）非常敏感，单次冲击会产生极高的 ZCR，需配合能量约束或中值滤波。
• 误区三：ZCR 单独使用无法区分语音与音乐。音乐信号的过零率变化规律与语音不同，但仅靠 ZCR 难以建模。

过零率法在语音端点检测中扮演“清音探测器”的角色，与能量法互补后能覆盖更全面的语音类型。

4.3 谱熵法：从频域不确定性角度识别语音

核心原理

谱熵（Spectral Entropy）基于信息论中的香农熵概念。语音信号的频谱具有明显的谐波结构，能量集中在某些频带，频谱概率分布不均匀，因此谱熵较低；而白噪声、环境噪声的频谱平坦，各频带能量接近，谱熵较高。对于第 n 帧，先计算功率谱 P(k)，归一化得到概率分布 p(k)：

p(k) = P(k) / Σ_{j=0}^{N/2} P(j)

则谱熵为：

H(n) = - Σ_{k=0}^{N/2} p(k) · log2[p(k)]

语音帧的 H(n) 通常低于噪声帧。谱熵法的优势在于对幅度不敏感，即使语音能量较低，只要频谱结构紧凑，仍能有效识别。

判断方法与操作流程

1. 对每帧信号做 FFT，取幅度谱或功率谱。
2. 将频谱划分为若干子带（如 32 个子带），计算每个子带的能量占比。
3. 计算谱熵 H(n)。
4. 设定阈值：H(n) < Th_entropy 判为语音。Th_entropy 通常取 0.6~0.8（归一化后）。
5. 为增强鲁棒性，可对谱熵做时间平滑：H_smooth(n) = 0.7·H_smooth(n-1) + 0.3·H(n)。

案例拆解：视频会议中的空调噪声抑制

某视频会议软件在办公室环境中使用谱熵法进行 VAD。办公室噪声主要为空调低频轰鸣（约 200Hz 以下）和电脑风扇噪声（宽频但平稳）。实测噪声帧的谱熵约为 0.82~0.88，而语音帧（正常说话距离 50cm）的谱熵为 0.55~0.70。系统设定 Th=0.75，并加入“连续 2 帧低于阈值才判为语音”的防抖逻辑。测试结果显示，在 SNR 约 8dB 时，语音检测准确率达到 91%，误检率 4%。但发现当用户播放 PPT 中的视频片段时，背景音乐导致谱熵降至 0.65，被误判为语音。最终在 VAD 前端增加“音乐检测”模块（基于频谱平坦度与调性特征），当检测到音乐时自动切换为能量法。

常见误区与总结

• 误区一：谱熵对 FFT 点数敏感。帧长太短（<10ms）会导致频谱分辨率不足，熵值波动大；建议帧长 20-30ms，FFT 点数 256-512。
• 误区二：谱熵法在有色噪声（如发动机噪声）下性能下降。有色噪声频谱不均匀，谱熵偏低，容易与语音混淆。此时需先做白化处理或使用子带熵。
• 误区三：忽略子带划分。全频带熵对高频噪声敏感，建议只计算 200Hz~4kHz 频段的熵，因为语音主要能量集中在此范围。

谱熵法在平稳噪声环境下表现优异，尤其适合低幅度语音检测，但对非平稳噪声和音乐信号需额外防护。

4.4 长时能量比法：动态环境下的自适应判决

核心原理

长时能量比（Long-Term Energy Ratio, LTER）是一种自适应阈值方法，其核心思想是：当前帧能量与过去一段时间内能量统计值的比值，能够反映能量的相对变化，从而适应噪声水平的缓慢漂移。定义如下：

LTER(n) = E(n) / E_avg(n-1)

其中 E_avg(n-1) 是前 L 帧（如 50 帧，即 0.5 秒）的能量指数移动平均：

E_avg(n) = β·E_avg(n-1) + (1-β)·E(n)

β 通常取 0.95~0.99。当 LTER(n) 超过阈值（如 2.0~3.0）时，说明当前帧能量显著高于历史平均水平，判为语音。该方法天然具备噪声自适应能力：当环境噪声缓慢增大时，E_avg 也会随之增大，阈值自动抬高。

判断方法与操作流程

1. 初始化 E_avg(0) 为前 10 帧能量的均值。
2. 每帧计算 E(n) 和 LTER(n)。
3. 若 LTER(n) > Th_high（如 2.5），判为语音，并暂停更新 E_avg（防止语音能量污染噪声估计）。
4. 若 LTER(n) < Th_low（如 1.2），判为噪声，并更新 E_avg。
5. 介于两者之间时，保持上一帧状态（滞回特性）。

案例拆解：工厂车间内的语音指令识别

某工厂部署语音控制机械臂系统，车间噪声为 80~90dB SPL，且随设备启停波动剧烈。初始方案使用固定能量阈值，但噪声从 80dB 升至 90dB 时，固定阈值完全失效。改用 LTER 法后，设置 β=0.97，Th_high=2.8，Th_low=1.3。实测数据：设备启动瞬间噪声能量从 5000 升至 12000，E_avg 在 0.5 秒内从 4800 升至 9000，LTER 始终低于 2.0，未触发误判。当操作员喊出“启动”时，语音能量达到 30000，LTER=30000/9000≈3.3，成功触发。系统连续运行 8 小时，误触发 2 次（均为金属碰撞声），漏检 1 次（操作员距离过远）。复盘发现，金属碰撞声的 LTER 可达 4.0，与语音难以区分，最终增加“频谱形状”约束（语音的频谱峰谷比高于冲击噪声）才解决。

常见误区与总结

• 误区一：LTER 在语音连续长时间说话时失效。如果用户连续说话超过 2 秒，E_avg 若未暂停更新，会被语音能量拉高，导致后续 LTER 下降。务必在语音段冻结 E_avg 更新。
• 误区二：LTER 对突发强噪声（如拍手声）敏感。这类噪声能量极高，LTER 会瞬间超过阈值。需结合持续时间约束（如持续 2 帧以上）或频谱特征过滤。
• 误区三：LTER 无法处理噪声快速上升的场景。如果噪声在 100ms 内从 50dB 升至 80dB，E_avg 来不及跟踪，LTER 会短暂虚高。此时需要更快的噪声跟踪或使用最小值统计法。

长时能量比法是一种实用的自适应方案，特别适合噪声水平缓慢变化的工业、户外场景，但需要配合语音段冻结更新机制。

4.5 四种方法对比与工程选型建议

方法	计算复杂度	适用场景	主要优点	主要缺点	典型阈值设置
短时能量	极低（O(N)）	安静室内、平稳噪声	实现简单、实时性最好	低SNR失效、阈值需定期更新	μ_noise + 3~5σ_noise
过零率	极低（O(N)）	清音检测、语音/音乐区分	对幅度不敏感、补充清音信息	对直流偏置敏感、脉冲噪声易误判	μ_zcr ± 2σ_zcr
谱熵	中（需FFT）	平稳噪声、低幅度语音	对幅度不敏感、频谱结构利用好	音乐误判、有色噪声下性能下降	H < 0.6~0.8
长时能量比	低（O(N)）	噪声缓慢变化的工业/户外	自适应噪声、无需人工标定	连续语音需冻结更新、突发噪声敏感	LTER > 2.5 判语音

在实际工程中，推荐采用级联架构：第一级用能量法或 LTER 做粗检测，快速排除明显噪声段；第二级用谱熵法或 ZCR 法做细检测，处理边界帧。例如，智能音箱的 VAD 流程为：LTER 判断是否有声音事件 → 谱熵确认是否为语音 → 能量法辅助端点精确定位。这种多级架构在计算量增加有限的情况下，能显著提升准确率。

4.6 综合调优策略与实战复盘

无论选择哪种方法，以下调优策略都能提升 VAD 的工程表现：

• 噪声基底估计：使用最小值统计法（Minimum Statistics）持续跟踪噪声频谱，每 100ms 更新一次，避免语音段污染噪声估计。
• 滞回比较：设置进入语音的高阈值和退出的低阈值，避免在边界处频繁抖动。滞回宽度建议为阈值范围的 20%~30%。
• 时间平滑：对特征序列（能量、ZCR、熵）做指数移动平均，减少帧间波动。平滑系数 α 取 0.3~0.5。
• 最小语音/噪声持续时间：语音段最短 50ms，噪声段最短 100ms，过滤脉冲干扰。
• 端点修正：在检测到语音段后，向前回溯 2~3 帧、向后延伸 3~5 帧，避免切掉语音的起始/结束辅音。

以一个实际项目复盘为例：某会议记录仪需要从双麦克风录音中提取发言人语音。初始方案使用能量法+固定阈值，在会议室空调噪声下误检率 15%。经过三轮调优：第一轮引入 LTER 替代固定阈值，误检率降至 9%；第二轮加入谱熵确认，误检率降至 5%；第三轮增加滞回比较和最小持续时间约束，误检率降至 3.2%，同时召回率保持在 94%。整个调优过程耗时 2 天，计算量增加约 30%，但效果显著。关键经验是：不要期望单一方法解决所有问题，组合使用并针对场景调参才是传统 VAD 的正确打开方式。