4. 特征提取工程（下）：VAD端点检测技术、降噪算法与特征归一化

上一讲我们把特征提取的前半段讲完了，包括预加重、分帧、加窗和FFT。今天咱们继续往下走，把剩下的三个关键环节啃下来：VAD端点检测、降噪算法、以及特征归一化与增强。

说实话，这三个环节在学术界经常被一笔带过，但在工业级系统里，它们往往是决定识别精度上限的“隐形杀手”。我见过太多团队花几个月调声学模型，结果发现是前端VAD没做好，把静音段当语音送进去了——那损失，真让人心疼。

4.1 VAD端点检测：别让静音浪费算力

VAD的全称是Voice Activity Detection，说白了就是判断“这段音频里到底有没有人说话”。

你想想看，如果一段录音里只有30%是有效语音，剩下70%是背景噪声或静音，你把全部数据都送进识别引擎，不仅浪费算力，还会引入大量误判。

4.1.1 传统VAD方法

早期VAD主要靠手工特征加阈值判断。我刚开始做语音识别时，用的就是这套方法。常用的特征有：

• 短时能量：语音段的能量通常高于静音段，简单粗暴但有效。
• 过零率：清音（如/s/、/f/）的过零率高，浊音（如/a/、/o/）的过零率低，可以用来区分语音类型。
• 频谱熵：语音的频谱分布更集中，噪声的频谱更分散，熵值有差异。

但传统方法有个致命问题——阈值难调。环境一变，阈值就得重新标定。我在一个车载项目里吃过这个亏，白天和晚上的噪声底噪完全不同，固定阈值根本扛不住。

4.1.2 基于能量和过零率的双门限法

这是传统VAD里最经典的一种，至今在一些轻量级场景下还在用。它的思路是：

1. 先计算每帧的短时能量和过零率。
2. 设定两个门限：高门限（确定进入语音段）和低门限（确定退出语音段）。
3. 用“状态机”来平滑判决结果，避免频繁跳变。

// 伪代码示例：双门限VAD
if (energy > high_threshold) {
    state = SPEECH;
} else if (energy < low_threshold) {
    state = SILENCE;
} else {
    // 滞回区，保持上一状态
    state = previous_state;
}

4.1.3 基于深度学习的VAD

现在的主流方案基本都转向了DNN-VAD。用神经网络直接对每帧做二分类（语音/非语音）。

常用的模型结构包括：

• DNN：输入MFCC或Fbank特征，输出两分类概率。
• LSTM/GRU：利用时序信息，效果更好，但计算量稍大。
• CRNN：卷积+循环，兼顾局部特征和时序依赖。

我记得有一次做远场语音识别，传统VAD在信噪比低于5dB时基本就废了。换成LSTM-VAD后，即使信噪比降到0dB，准确率还能保持在85%以上。这就是深度学习的威力。

4.2 降噪算法：把干净语音从噪声里“捞”出来

降噪是语音识别前端的重头戏。你想想看，如果麦克风采集到的信号里混着空调声、风扇声、马路上的车流声，识别引擎再强也白搭。

降噪算法有很多种，这里我重点讲两个最经典的：谱减法和维纳滤波。

4.2.1 谱减法

谱减法的思路非常直观：假设噪声是平稳的，先估计一段纯噪声的频谱，然后从带噪语音的频谱中减去它。

数学上可以写成：

|S(ω)|² = |Y(ω)|² - α · |N(ω)|²

其中|Y(ω)|²是带噪语音的功率谱，|N(ω)|²是估计的噪声功率谱，α是减法因子（通常取1~2）。

但谱减法有个臭名昭著的副作用——音乐噪声。减过头了，频谱上会出现一些孤立的尖峰，听起来像“吱吱吱”的电子音。我曾经在一个项目里被这个折磨了两周，后来发现加一个频谱平滑后处理能缓解不少。

4.2.2 维纳滤波

维纳滤波比谱减法更“聪明”一些。它不直接减噪声，而是估计一个最优滤波器，让滤波后的信号与干净语音的均方误差最小。

维纳滤波器的频域表达式为：

H(ω) = P_s(ω) / [P_s(ω) + P_n(ω)]

其中P_s(ω)是语音功率谱，P_n(ω)是噪声功率谱。你看，当信噪比高时（P_s远大于P_n），H(ω)接近1，滤波器几乎不衰减；当信噪比低时，H(ω)接近0，滤波器把这一频段压掉。

维纳滤波的优点是音乐噪声比谱减法少很多，但它需要提前知道语音和噪声的功率谱——这在现实中是未知的。所以实际工程中，我们通常用迭代维纳滤波，先估计一个初始值，然后反复迭代优化。

对比项	谱减法	维纳滤波
原理	直接减噪声谱	最小均方误差估计
音乐噪声	较严重	较轻
计算复杂度	低	中
噪声平稳性要求	高	中
适用场景	稳态噪声、低算力设备	中等噪声、对音质有要求

4.3 特征归一化与增强：让特征更“规整”

特征提取完了，但不同说话人、不同录音设备、不同环境下的特征分布差异很大。如果不做归一化，模型就会学到这些无关的差异，而不是真正的语音内容。

4.3.1 均值归一化（CMN）

CMN（Cepstral Mean Normalization）是最常用的归一化方法。它对每个特征维度减去该维度的均值，让特征分布的中心对齐到0。

公式很简单：

ŝ(t) = s(t) - μ

其中μ是整个句子或滑动窗口内的均值。

CMN能有效消除信道效应和说话人差异。我做过一个实验，在电话语音识别任务中，加上CMN后，字错误率直接降了3~5个百分点。效果非常显著。

4.3.2 方差归一化（CVN）

CMN只调整了均值，但不同维度的方差也可能不同。CVN（Cepstral Variance Normalization）在CMN的基础上，再除以标准差，让每个维度的方差都变成1。

ŝ(t) = (s(t) - μ) / σ

CMN+CVN合起来就是倒谱均值方差归一化，很多语音识别系统的标配。

4.3.3 特征增强：不止是归一化

除了归一化，还有一些特征增强技巧：

• Delta和Delta-Delta：计算特征的一阶和二阶差分，捕捉动态变化。比如MFCC的Delta特征能反映音调的变化趋势。
• VTLN（声道长度归一化）：对不同说话人的声道长度差异做补偿，让特征更一致。
• fMLLR（特征空间最大似然线性回归）：用自适应数据学习一个线性变换，把特征空间对齐到标准空间。

我记得在做一个多语种识别项目时，不同语种的说话人声道差异很大。加上VTLN后，识别率提升了将近10%。这个提升幅度让我印象很深。

4.4 本章知识体系总览

下面这张图把本章的核心逻辑串起来了。你可以看到，从原始音频到最终的特征向量，中间经过了VAD、降噪、归一化三个关键环节，每个环节都有多种技术可选。

嗯，到这里，特征提取工程的核心内容就讲完了。从VAD到降噪再到归一化，每一步都有它的道理，也都有它的坑。希望你在实际项目中能少踩几个坑，多提几个百分点。