3. 时域特征提取（上）：短时能量、过零率、静音检测（VAD）的原理与实现

各位同学，欢迎来到时域特征提取的部分。

很多人一上来就扎进频域，觉得时域太简单。其实不然。时域特征虽然直观，但它是很多工程落地的基石。我做过不少语音唤醒的项目，最后发现，真正决定系统功耗和响应速度的，恰恰是时域那几步。

今天咱们就聊聊三个最基础、也最实用的时域特征：短时能量、过零率，以及它们组合起来做的静音检测（VAD）。

3.1 短时能量：语音的“音量计”

短时能量，说白了就是衡量一帧信号有多“响”。

公式很简单：对一帧内的所有采样点平方，然后求和（或取平均）。

# 短时能量计算（Python 示意）
import numpy as np

def short_time_energy(frame):
    """
    frame: 一维数组，一帧的采样点
    返回: 标量能量值
    """
    # 平方和，就是能量
    energy = np.sum(frame ** 2)
    return energy

为什么先平方？因为信号有正有负，直接求和会正负抵消。平方之后，所有值都变成正的，累加才有意义。

短时能量能干什么？

• 区分清音和浊音：浊音（元音）能量高，清音（辅音如 /s/、/f/）能量低。
• 检测语音起止：能量突然升高，大概率是有人开始说话了。
• 做简单的降噪：能量低于某个门限的帧，直接当噪声处理。

但要注意，短时能量对噪声很敏感。环境里有个空调嗡嗡响，能量值就下不来了。所以单独用能量做VAD，效果往往不好。

3.2 过零率：信号的“粗糙度”

过零率（Zero Crossing Rate, ZCR），统计一帧内信号穿过零轴的次数。

对于离散信号，就是相邻采样点符号变化的次数。

def zero_crossing_rate(frame):
    """
    计算过零率
    """
    # 符号变化检测
    sign_changes = np.diff(np.sign(frame))
    # 非零位置即为过零点
    zcr = np.count_nonzero(sign_changes) / len(frame)
    return zcr

过零率有什么物理意义？

• 清音：频率高、波形抖得厉害，过零率就高。
• 浊音：频率低、波形平滑，过零率就低。
• 噪声：通常介于两者之间，但分布比较稳定。

我遇到过一个问题：信号里如果有直流偏置，过零率会严重失真。比如麦克风电路有50Hz工频干扰，波形整体偏上，过零率直接变成0。解决办法是预处理时做一下直流移除，或者用过零率时加一个小的阈值（比如 ±0.01），避免被噪声抖动干扰。

3.3 静音检测（VAD）：把能量和过零率结合起来

单独用能量或过零率，都有缺陷。能量怕噪声，过零率怕直流。但把它们组合起来，效果就稳多了。

经典的VAD算法是双门限判决，流程如下：

1. 计算特征：对每一帧，分别计算短时能量和过零率。
2. 设置门限：能量高门限（TH_high）、能量低门限（TH_low）、过零率门限（TH_zcr）。
3. 粗判：
   • 能量 > TH_high → 判为语音。
   • 能量 < TH_low → 判为静音。
   • 能量在两者之间 → 看过零率，如果过零率低（像浊音）判语音，否则判静音。
4. 状态机平滑：防止单帧误判，通常加一个“挂起计数”。连续N帧判为语音才真正切到语音状态，连续M帧判为静音才切回静音。

下面是一个简化的VAD实现：

class SimpleVAD:
    def __init__(self, energy_high=1000, energy_low=100, zcr_thresh=0.1, hangover=5):
        self.energy_high = energy_high
        self.energy_low = energy_low
        self.zcr_thresh = zcr_thresh
        self.hangover = hangover
        self.speech_count = 0
        self.silence_count = 0
        self.is_speech = False

    def process_frame(self, frame):
        energy = np.mean(frame ** 2)
        zcr = zero_crossing_rate(frame)

        # 粗判
        if energy > self.energy_high:
            decision = True
        elif energy < self.energy_low:
            decision = False
        else:
            # 中间区域，用过零率辅助判断
            decision = (zcr < self.zcr_thresh)

        # 状态机平滑
        if decision:
            self.speech_count += 1
            self.silence_count = 0
            if self.speech_count >= self.hangover:
                self.is_speech = True
        else:
            self.silence_count += 1
            self.speech_count = 0
            if self.silence_count >= self.hangover:
                self.is_speech = False

        return self.is_speech

3.4 三种特征的对比

特征	计算量	抗噪性	主要用途	典型值（16kHz, 20ms帧）
短时能量	极低	弱	音量检测、粗粒度VAD	静音帧 < 50，语音帧 > 500
过零率	极低	中（需去直流）	清/浊音判别、端点检测辅助	浊音 < 0.1，清音 > 0.3
双门限VAD	低	中（依赖门限）	语音激活检测、低功耗唤醒	延迟约 100-300ms（含挂起）

你想想看，这三个特征都不需要做FFT，计算量极低。在嵌入式芯片上，几百字节的RAM就能跑起来。我当年在Cortex-M4上做唤醒词检测，前端VAD就是用这套逻辑，整个系统功耗控制在10mW以内。

3.5 工程中的几个坑

• 帧长选择：太短（<10ms）能量波动大，容易误判；太长（>50ms）反应迟钝。我一般用20-30ms，16kHz采样对应320-480个采样点。
• 窗函数：计算能量时，矩形窗和汉明窗差别不大。但做过零率时，矩形窗更常用，因为它不改变信号的过零位置。
• 自适应门限：固定门限在安静环境好用，换到嘈杂环境就废了。建议用前几帧估计噪声基底，动态调整门限。