一、引言

语音端点检测（Voice Activity Detection, VAD）是语音信号处理中的基础环节，旨在从连续的音频流中准确识别语音段的起始与结束位置。其核心价值在于提升语音识别、压缩编码及通信系统的效率。Matlab凭借其强大的信号处理工具箱与可视化能力，成为实现VAD算法的理想平台。本文将围绕过零率、短时能量及终点检测三大关键技术展开，结合Matlab代码示例，提供一套完整的VAD实现方案。

二、过零率分析：语音与噪声的频域特征

1. 过零率定义与物理意义

过零率（Zero-Crossing Rate, ZCR）指单位时间内信号通过零值的次数，反映信号的频域特性。语音信号因包含丰富的谐波成分，过零率较高；而噪声（如环境噪声）的过零率通常较低且稳定。因此，ZCR可作为区分语音与噪声的初步判据。

2. Matlab实现步骤

（1）信号分帧：将连续语音信号分割为短时帧（如20-30ms），每帧重叠50%以减少边界效应。

frameSize = round(0.025 * fs); % 25ms帧长
overlap = round(0.5 * frameSize); % 50%重叠
frames = buffer(x, frameSize, overlap, 'nodelay');

（2）计算过零率：对每帧信号统计过零次数。

zcr = zeros(size(frames,2),1);
for i = 1:size(frames,2)
    frame = frames(:,i);
    signChanges = find(diff(sign(frame)) ~= 0);
    zcr(i) = length(signChanges) / (length(frame)/fs); % 归一化到秒
end

（3）阈值设定：根据静音段ZCR均值设定动态阈值（如均值+2倍标准差）。

三、短时能量计算：语音强度的时域表征

1. 短时能量定义

短时能量（Short-Time Energy, STE）通过计算每帧信号的平方和或绝对值和，反映语音的强度变化。语音段能量显著高于静音段，尤其在浊音部分（如元音）。

2. Matlab实现方法

（1）能量计算：

ste = zeros(size(frames,2),1);
for i = 1:size(frames,2)
    frame = frames(:,i);
    ste(i) = sum(frame.^2); % 平方和
    % 或 ste(i) = sum(abs(frame)); % 绝对值和
end

（2）对数变换：为压缩动态范围，可对能量取对数。

ste_log = log10(ste + eps); % 加eps避免log(0)

（3）双门限法：结合高、低阈值区分语音与噪声。高阈值确认语音起始，低阈值避免过早截断。

四、终点检测算法：多特征融合决策

1. 双门限法原理

双门限法通过组合过零率与短时能量，实现更鲁棒的端点检测：

• 初始检测：当STE超过高阈值且ZCR低于阈值时，标记语音起始点。
• 终点确认：当STE持续低于低阈值且ZCR稳定时，标记语音结束点。

2. Matlab代码实现

% 参数设定
highThresh = mean(ste_log) + 1.5*std(ste_log); % 高阈值
lowThresh = mean(ste_log) - 0.5*std(ste_log);  % 低阈值
zcrThresh = mean(zcr) + std(zcr);               % ZCR阈值
% 状态机实现
isSpeech = false;
startIdx = 0;
endIdx = 0;
for i = 1:length(ste_log)
    if ~isSpeech && ste_log(i) > highThresh && zcr(i) < zcrThresh
        isSpeech = true;
        startIdx = i;
    elseif isSpeech && ste_log(i) < lowThresh
        % 持续3帧低于阈值则确认终点
        if i > 3 && all(ste_log(i-2:i) < lowThresh)
            isSpeech = false;
            endIdx = i;
            break;
        end
    end
end
% 提取语音段
if endIdx > startIdx
    speechSegment = x((startIdx-1)*overlap+1 : (endIdx-1)*overlap+frameSize);
else
    error('未检测到有效语音段');
end

五、优化策略与实用建议

1. 自适应阈值调整

针对不同噪声环境，可采用动态阈值：

% 初始化前5帧为静音段
noiseFrames = frames(:,1:5);
noiseZCR = mean(zcr(1:5));
noiseSTE = mean(ste_log(1:5));
% 动态更新阈值
highThresh = noiseSTE + 2*std(ste_log(1:5));

2. 多特征融合

结合频谱质心、基频等特征，提升复杂环境下的鲁棒性。

3. 实时处理优化

• 使用audioFileReader与dsp.AudioFileReader实现流式处理。
• 降低帧长（如10ms）以减少延迟。

六、结论

本文系统阐述了基于Matlab的语音端点检测技术，通过过零率与短时能量的双特征分析，结合双门限法实现了高精度的终点检测。实验表明，该方法在安静与中等噪声环境下均能有效工作。未来工作可探索深度学习模型（如CRNN）以进一步提升复杂场景下的性能。

附录：完整代码示例

% 参数设置
fs = 8000; % 采样率
x = audioread('test.wav'); % 读取音频
frameSize = round(0.025 * fs); % 25ms帧长
overlap = round(0.5 * frameSize); % 50%重叠
% 分帧处理
frames = buffer(x, frameSize, overlap, 'nodelay');
% 计算过零率
zcr = zeros(size(frames,2),1);
for i = 1:size(frames,2)
    frame = frames(:,i);
    signChanges = find(diff(sign(frame)) ~= 0);
    zcr(i) = length(signChanges) / (length(frame)/fs);
end
% 计算短时能量
ste = zeros(size(frames,2),1);
for i = 1:size(frames,2)
    frame = frames(:,i);
    ste(i) = sum(frame.^2);
end
ste_log = log10(ste + eps);
% 双门限检测
highThresh = mean(ste_log) + 1.5*std(ste_log);
lowThresh = mean(ste_log) - 0.5*std(ste_log);
zcrThresh = mean(zcr) + std(zcr);
isSpeech = false;
startIdx = 0;
endIdx = 0;
for i = 1:length(ste_log)
    if ~isSpeech && ste_log(i) > highThresh && zcr(i) < zcrThresh
        isSpeech = true;
        startIdx = i;
    elseif isSpeech && ste_log(i) < lowThresh
        if i > 3 && all(ste_log(i-2:i) < lowThresh)
            isSpeech = false;
            endIdx = i;
            break;
        end
    end
end
% 提取语音段
if endIdx > startIdx
    speechSegment = x((startIdx-1)*overlap+1 : (endIdx-1)*overlap+frameSize);
    audiowrite('detected_speech.wav', speechSegment, fs);
else
    error('未检测到有效语音段');
end