4、时域特征提取（一）：短时能量、短时平均幅度、过零率与VAD基础

各位同学，欢迎来到时域特征提取的第一讲。

说实话，很多做语音的同行一上来就扎进频谱、MFCC里，觉得时域特征太简单、不够"高级"。但我个人经验告诉我——时域特征是声学分析的基石。你想想看，一个端点检测做不好，后面提取再花哨的特征也是白搭。我在做语音唤醒项目时，就吃过这个亏：模型在安静环境下跑得挺好，一到嘈杂的办公室就疯狂误触发。后来排查发现，问题就出在VAD（语音活动检测）的时域阈值设得太粗糙。

所以，咱们今天就把这几个最基础的时域特征彻底吃透：短时能量（STE）、短时平均幅度、过零率（ZCR），以及它们如何组合起来做静音检测和端点检测。

4.1 为什么需要"短时"分析？

语音信号是非平稳的。但有一个关键假设：在10~30毫秒这个尺度上，信号是平稳的。这就是"短时"处理的理论基础。

我习惯把语音信号想象成一条蜿蜒的河流。整条河的水流变化无常，但如果你只看一小段河面，它的流速、波纹几乎是稳定的。我们用一个固定长度的窗口（比如25毫秒）去截取信号，这个窗口就叫帧。然后对每一帧单独计算能量、幅度、过零率等特征。

4.2 短时能量（Short-Time Energy, STE）

短时能量，说白了就是衡量一帧信号有多"响"。

4.2.1 数学原理

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)]²

其中 \( N \) 是帧长。注意，这里是对信号值平方再求和。为什么要平方？两个原因：

• 保证能量值为正（信号有正有负，直接求和会正负抵消）
• 放大高幅值样本的贡献（响的声音在能量上会显著高于轻的声音）

4.2.2 Python实现

实现起来其实很简单。我一般用NumPy的向量化操作，比for循环快一个数量级。

import numpy as np

def short_time_energy(signal, frame_size, hop_size):
    """
    计算短时能量
    :param signal: 输入信号 (1D array)
    :param frame_size: 帧长（样本点数）
    :param hop_size: 帧移（样本点数）
    :return: 能量序列
    """
    num_frames = (len(signal) - frame_size) // hop_size + 1
    energy = np.zeros(num_frames)
    
    for i in range(num_frames):
        start = i * hop_size
        end = start + frame_size
        frame = signal[start:end]
        energy[i] = np.sum(frame ** 2)
    
    return energy

4.3 短时平均幅度

短时能量有个小缺点：它对信号值做了平方，导致动态范围太大。安静环境和说话声的能量可能差好几个数量级，画图时很难看清细节。

短时平均幅度就是来解决这个问题的。它用绝对值代替平方：

M_n = (1/N) * Σ_{m=0}^{N-1} |x_n(m)|

说白了，就是取一帧内所有样本的绝对值，然后求平均。这样既保留了能量信息，又压缩了动态范围。

4.3.1 代码实现

def short_time_magnitude(signal, frame_size, hop_size):
    num_frames = (len(signal) - frame_size) // hop_size + 1
    magnitude = np.zeros(num_frames)
    
    for i in range(num_frames):
        start = i * hop_size
        end = start + frame_size
        frame = signal[start:end]
        magnitude[i] = np.mean(np.abs(frame))
    
    return magnitude

嗯，这里要注意：平均幅度对噪声更敏感。如果背景有持续的底噪，幅度值会整体抬升，不像能量那样可以通过平方操作把弱噪声"压下去"。所以做静音检测时，我通常优先用能量，而不是幅度。

4.4 过零率（Zero-Crossing Rate, ZCR）

过零率，顾名思义，就是一帧内信号穿过零轴的次数。

为什么这个特征有用？因为不同声音的过零率差异很大：

• 清音（如/s/、/f/）：频率高、波形振荡快，过零率很高
• 浊音（如/a/、/i/）：频率低、波形平滑，过零率较低
• 静音/噪声：过零率通常介于两者之间，但噪声的过零率往往更随机

4.4.1 数学定义

Z_n = (1/2) * Σ_{m=1}^{N-1} |sgn[x_n(m)] - sgn[x_n(m-1)]|

其中 \( sgn() \) 是符号函数：正值取1，负值取-1，零值取0。相邻两个样本符号不同，就说明穿过了一次零轴。

4.4.2 Python实现

def zero_crossing_rate(signal, frame_size, hop_size):
    num_frames = (len(signal) - frame_size) // hop_size + 1
    zcr = np.zeros(num_frames)
    
    for i in range(num_frames):
        start = i * hop_size
        end = start + frame_size
        frame = signal[start:end]
        # 计算符号变化
        sign_diff = np.diff(np.sign(frame))
        # 非零位置即为过零点
        zcr[i] = np.sum(np.abs(sign_diff) > 0) / 2
    
    return zcr

4.5 静音检测与端点检测（VAD）基础

有了能量和过零率，我们就可以做最基础的VAD了。

VAD的目标很简单：判断当前帧是语音还是非语音（静音/噪声）。

4.5.1 双门限法

这是我个人最常用的方法，也是很多工业级VAD的雏形。它同时使用能量和过零率两个特征：

1. 能量门限：语音帧的能量通常高于静音帧。设定一个高门限 \( T_H \) 和一个低门限 \( T_L \)。
2. 过零率门限：清音段过零率高，浊音段过零率低。设定一个过零率范围 \( [Z_{min}, Z_{max}] \)。
3. 判决逻辑：
   • 能量 > \( T_H \) → 判定为语音
   • 能量 < \( T_L \) → 判定为静音
   • 能量介于两者之间 → 结合过零率做二次判决

4.5.2 门限如何确定？

这个问题我当年也纠结过。后来在实践中总结了一个经验：

• 取前10帧（约200ms）作为背景噪声估计，计算这10帧的平均能量 \( E_{noise} \)
• 高门限 \( T_H = E_{noise} \times 10 \)（经验值，可根据实际环境调整）
• 低门限 \( T_L = E_{noise} \times 3 \)
• 过零率门限：取前10帧的过零率均值 ± 标准差

4.6 本章知识体系

下面这张图总结了本章的核心逻辑，从信号输入到特征提取再到VAD判决的完整流程：

4.7 本章小结

今天我们完成了三件事：

• 理解了短时分析为什么是语音处理的起点
• 掌握了短时能量、短时平均幅度、过零率的计算原理和Python实现
• 学会了用双门限法做基础的静音检测和端点检测

这些特征虽然简单，但组合起来威力不小。我记得有一次做会议录音的自动切分，就是用能量+过零率做的VAD，准确率达到了92%以上。当然，如果遇到更复杂的噪声环境，我们后面会引入谱减法、深度学习等方法。但基础打牢了，后面学起来才不慌。