基于维特比算法的深度神经网络语音端点检测

李文洁，张晴晴，张鹏远，颜永红，摆 亮

(1.中国科学院 语言声学与内容理解重点实验室, 北京 100190；2.北京爱数智慧科技有限公司, 北京 100085； 3.国家计算机网络应急技术处理协调中心，北京 100029)

0 引 言

席卷全球的信息化时代的到来，语音作为人类交互最为自然和便捷的手段，逐渐成为人机交互的一个十分重要的途径。这极大地推动了语音识别、语言理解、说话人识别等技术的发展。通过语音进行信息检索，也逐渐成为应用热点[1]。在这些语音信号处理应用中，语音端点检测(voice activity detection,VAD)是预处理的一个重要环节，极大影响了语音识别、说话人识别等系统的性能[2]。

在日常的语音对话中，听起来连续的语音信号其实是由一系列的无音片段和有音片段组合起来的[3]。通常情况下，语音片段的持续时间不会超过整个说话时间的40%[4]。对于语音识别系统来说，有音片段才是真正需要关注的部分，那些仅含有噪声的无音片段，需要在送入语音识别解码之前就先过滤掉。这样做不仅能够加快识别系统的速度，同时也能一定程度上保证识别系统的性能。VAD的目的就是将这些无音片段去除掉，同时保证有音片段尽可能不丢失，再送入后端进行识别。

随着语音信号处理技术的更新，语音端点检测的相关技术也在不断改进更新。20世纪70年代，Rabiner[5]将有音片段的短时能量和短时过零率作为特征，用于检测语音的起止点；随后，F．K．Soong[6]提出一种基于复倒谱系数的分段方法； 同时Wilpon[7]提出一种基于语音信号短时谱变化的方法来确定子词的分段信息；……