4、能量门限法VAD：短时能量计算、动态阈值设定、静音段与语音段判别、实战代码实现

能量门限法，说白了就是看声音的「响度」来判断有没有人说话。你想想看，人说话的时候，声音肯定比背景噪音要大一些，对吧？这个思路很朴素，但在很多场景下，它反而是最稳定、最省资源的方法。

我在项目里遇到过不少情况——复杂的神经网络VAD在服务器上跑得好好的，一搬到嵌入式设备上就卡成PPT。这时候，能量门限法就成了我的「救命稻草」。它计算量小，实时性高，部署起来特别快。

4.1 短时能量计算

短时能量，就是对一小段音频信号求平方和。为什么叫「短时」？因为语音信号是非平稳的，但在一段很短的时间内（比如20-30毫秒），我们可以认为它是平稳的。

计算公式很简单：

E = Σ x²(n)   (n = 0, 1, ..., N-1)

其中 x(n) 是采样点，N 是帧长。我习惯用 20ms 的帧长，采样率 16kHz 的话，N = 320 个点。

代码实现也很直接：

def calc_short_time_energy(frame):
    """
    计算一帧音频的短时能量
    frame: numpy array, 一帧音频数据
    """
    energy = np.sum(frame ** 2)
    return energy

嗯，这里要注意：如果输入的是整数型数据（比如 int16），最好先转成 float，不然平方运算容易溢出。

4.2 动态阈值设定

固定阈值？我劝你别用。为什么？因为环境噪声是变化的——白天办公室的空调声、晚上家里的冰箱声，能量完全不一样。固定阈值要么漏检，要么误检。

动态阈值，说白了就是让阈值跟着背景噪声走。我常用的方法是：

1. 取前 N 帧（比如 30 帧，约 0.6 秒）作为噪声估计段
2. 计算这 N 帧的平均能量作为噪声基底
3. 阈值 = 噪声基底 × 倍数因子（通常取 2-5）

倍数因子怎么选？我踩过坑。倍数因子太小（比如 1.5），会把噪声当语音；太大（比如 10），又会漏掉轻声说话。我一般取 3，然后根据实际场景微调。

动态阈值更新代码：

def update_noise_floor(energy_buffer, noise_frames=30):
    """
    更新噪声基底
    energy_buffer: 最近N帧的能量列表
    """
    if len(energy_buffer) < noise_frames:
        return np.mean(energy_buffer)
    # 取最小的 noise_frames 帧作为噪声估计
    sorted_energy = np.sort(energy_buffer)
    noise_floor = np.mean(sorted_energy[:noise_frames])
    return noise_floor

4.3 静音段与语音段判别

有了阈值，判别就简单了：

• 当前帧能量 > 阈值 → 语音段
• 当前帧能量 ≤ 阈值 → 静音段

但直接这么用，会有问题。你想想看，语音中间有短暂的停顿（比如「你好吗」中间的停顿），如果直接判为静音，就会把一句话切成好几段。

我的解决方案是加一个「挂起时间」（hangover time）。具体来说：

1. 检测到语音后，即使能量低于阈值，也保持语音状态一段时间（比如 200ms）
2. 如果超过挂起时间仍然低于阈值，才切换为静音

4.4 实战代码实现

下面是一个完整的能量门限法VAD实现。我把它封装成了一个类，方便集成到你的项目中。

import numpy as np

class EnergyVAD:
    def __init__(self, sample_rate=16000, frame_ms=20, threshold_factor=3.0, hangover_frames=10):
        self.sample_rate = sample_rate
        self.frame_len = int(sample_rate * frame_ms / 1000)
        self.threshold_factor = threshold_factor
        self.hangover_frames = hangover_frames
        
        # 状态变量
        self.noise_floor = 0.0
        self.energy_buffer = []
        self.is_speech = False
        self.hangover_count = 0
        self.noise_est_frames = 30
        
    def process_frame(self, frame):
        """
        处理一帧音频，返回是否语音段
        frame: numpy array, 长度 self.frame_len
        """
        # 1. 计算短时能量
        energy = np.sum(frame.astype(np.float32) ** 2)
        
        # 2. 更新能量缓冲区
        self.energy_buffer.append(energy)
        if len(self.energy_buffer) > 200:  # 保留最近200帧
            self.energy_buffer.pop(0)
        
        # 3. 更新噪声基底（前30帧或静音时更新）
        if len(self.energy_buffer) <= self.noise_est_frames:
            self.noise_floor = np.mean(self.energy_buffer)
        elif not self.is_speech:
            # 静音时持续更新噪声基底
            sorted_energy = np.sort(self.energy_buffer[-self.noise_est_frames:])
            self.noise_floor = np.mean(sorted_energy[:self.noise_est_frames])
        
        # 4. 计算动态阈值
        threshold = self.noise_floor * self.threshold_factor
        
        # 5. 语音/静音判别（带挂起时间）
        if energy > threshold:
            self.is_speech = True
            self.hangover_count = 0
        else:
            if self.is_speech:
                self.hangover_count += 1
                if self.hangover_count >= self.hangover_frames:
                    self.is_speech = False
            else:
                self.is_speech = False
        
        return self.is_speech, energy, threshold

4.5 知识体系总览

下面这张图，把能量门限法VAD的整个流程串起来了。你可以把它当作一个「速查地图」。

这张图里，我特意把「挂起时间」和「噪声基底更新」这两个关键点单独标出来了。你在实际部署的时候，这两个地方最容易出问题。

好了，能量门限法VAD的核心内容就这些。它虽然简单，但真的很实用。下次你遇到资源受限的设备，不妨先试试这个方法——说不定能省下你不少调参的时间。