1. 课程导入
各位同学好，我是这门课的主讲。今天咱们聊聊 VAD——语音活动检测。
VAD 这名字听起来挺唬人，说白了就是判断「现在有没有人在说话」。一个二分类问题：是语音，还是非语音。就这么简单。
但简单背后，坑不少。我在项目中遇到过好几次，VAD 没做好，整个系统就像聋了一样——要么该响应时不响应，要么不该响应时乱响应。嗯，咱们今天就把这事彻底讲透。
1.1 什么是 VAD
VAD（Voice Activity Detection），中文叫语音活动检测。它的任务只有一个：判断当前音频片段里是否包含人声。
你想想看，麦克风一直在采集声音。但大部分时间，采集到的可能是空调声、键盘声、马路上的车流声，或者干脆就是静音。VAD 要做的，就是从这些乱七八糟的声音里，把真正的人声挑出来。
核心定义：VAD 是一个二分类器，输入是音频帧（通常 10-30ms），输出是 0（非语音）或 1（语音）。
我习惯把 VAD 比作一个门卫。它站在音频流的入口，问每一帧：「你是人声吗？是就放行，不是就拦下。」这个门卫要是太松，啥都放进来，下游的语音识别、唤醒模块就得处理一堆垃圾；要是太严，真正的人声被拦在外面，用户体验直接崩盘。
1.2 VAD 的应用场景
VAD 不是孤立存在的。它几乎出现在所有语音产品的第一线。我挑三个最常见的场景说说。
1.2.1 语音唤醒
这是 VAD 最经典的应用。你喊「小爱同学」或「Hey Siri」，设备怎么知道你在喊它？
流程是这样的：麦克风一直在采集音频，VAD 先判断有没有人声。一旦检测到语音，才把这段音频送给唤醒词模型做进一步判断。如果没有 VAD，唤醒模型就得 24 小时不间断运行——功耗扛不住，算力也扛不住。
我曾经在一个低功耗芯片上做唤醒方案，VAD 的功耗只占整个唤醒链路的 5%，但它拦截了 90% 以上的非语音输入。你说值不值？
1.2.2 降噪
降噪算法需要知道哪些部分是目标语音，哪些是噪声。VAD 就是那个「信号灯」。
当 VAD 判定当前帧是语音时，降噪算法会尽量保留细节，不损伤音质。当 VAD 判定是非语音时，降噪算法可以大胆地压制噪声，甚至直接静音。
我记得有一次做车载降噪，车速一快，风噪特别大。VAD 如果误判，把语音帧当成噪声压掉，司机说的话就听不清了。后来我们专门针对这种场景优化了 VAD 的阈值策略。
1.2.3 通信
VoIP、对讲机、会议系统，都离不开 VAD。它的作用是：只在有人说话时才发送数据包。
你想想看，如果没人说话也一直发包，带宽浪费不说，还会引入不必要的背景噪声。VAD 在这里相当于一个「智能开关」——有人说话就开，没人说话就关。
个人经验：在通信场景中，VAD 的「尾音切除」是个大坑。切得太快，对方会觉得「话没说完就被掐了」；切得太慢，又会引入大量静音包。我一般建议保留 200-400ms 的 hangover（拖尾）时间。
1.3 VAD 的核心指标
评价一个 VAD 好不好，不能光凭感觉。我一般看三个指标：准确率、召回率、实时性。下面这张表可以帮你快速理解它们的区别。
| 指标 | 定义 | 通俗理解 | 对用户体验的影响 |
|---|---|---|---|
| 准确率 | 所有判断中，判断正确的比例 | VAD 整体上有多靠谱 | 准确率低，系统会频繁误判 |
| 召回率 | 实际语音中，被正确检测出来的比例 | 有没有漏掉真正的人声 | 召回率低，语音会被「吃掉」 |
| 实时性 | 从音频输入到输出判决的延迟 | VAD 反应够不够快 | 延迟高，交互会「慢半拍」 |
1.3.1 准确率
准确率 = (正确检测的语音帧 + 正确检测的非语音帧) / 总帧数。
这个指标看起来直观，但有个陷阱：如果非语音帧占绝大多数（比如 90%），你什么都不做，全部判为非语音，准确率也有 90%。所以只看准确率是不够的。
避坑指南：我曾经见过一个团队，报告 VAD 准确率 98%，结果一上线就翻车。为什么？因为他们的测试集里 95% 都是静音帧。VAD 只要一直输出 0，准确率就很高，但实际场景中语音一来就全漏了。所以，一定要结合召回率一起看。
1.3.2 召回率
召回率 = 正确检测的语音帧 / 实际语音帧总数。
召回率低，意味着很多语音被漏掉了。在语音唤醒场景中，召回率低会导致「喊了没反应」；在通信场景中，会导致「声音断断续续」。
召回率和准确率往往是矛盾的。你越想抓住所有语音（提高召回率），就越容易把非语音也判成语音（降低准确率）。这个 trade-off 怎么平衡？取决于你的业务场景。
- 唤醒场景：宁可误唤醒，也不能漏唤醒。所以召回率优先。
- 降噪场景：宁可漏掉一点语音细节，也不能把噪声当成人声保留。所以准确率优先。
- 通信场景：两者都要兼顾，通常用 ROC 曲线找最佳阈值。
1.3.3 实时性
实时性，说白了就是 VAD 处理一帧音频需要多长时间。
在嵌入式设备上，VAD 通常跑在 DSP 或 NPU 上。如果处理一帧需要 20ms，而帧长只有 10ms，那就跟不上实时采集的速度——音频会越积越多，最终导致延迟越来越大。
我个人的经验是：VAD 的处理时间不能超过帧长的一半。比如帧长 10ms，VAD 必须在 5ms 内完成判决。留出余量给其他模块。
实时性要求：在大多数前端部署场景中，VAD 的端到端延迟（从音频输入到输出判决）应控制在 10ms 以内。超过 30ms，用户就能明显感觉到「卡顿」。
1.4 VAD 的核心逻辑框架
下面这张图，是我自己总结的 VAD 核心逻辑框架。它把 VAD 的输入、处理、输出、以及三个核心指标的关系串在了一起。你可以在脑子里把它当成一个「地图」，后面几章的内容都会围绕它展开。
从这张图你可以看到，VAD 的流程并不复杂：音频进来 → 提取特征 → 做判决 → 输出结果。但真正决定 VAD 好坏的，是特征怎么提、判决阈值怎么设、以及能不能在硬件上跑得够快。这些内容，咱们后面几章会一个一个拆开讲。
1.5 本章小结
好，咱们把第一章的内容捋一捋：
- VAD 是什么：一个判断「有没有人声」的二分类器。
- 应用场景：语音唤醒（降低功耗）、降噪（区分语音和噪声）、通信（节省带宽）。
- 核心指标：准确率、召回率、实时性。三者互相制约，需要根据场景做取舍。
嗯，第一章就到这里。内容不多，但都是基础。后面的章节，咱们会深入到特征提取、阈值策略、以及如何在嵌入式设备上把 VAD 跑起来。准备好了吗？