提纲挈领webrtc之vad检测

　　顾名思义，VAD（Voice Activity Detection）算法的作用是检测是否是人的语音，它的使用

范围极广，降噪，语音识别等领域都需要有vad检测。vad检测有很多方法，这里我们之介绍一

下webrtc里面的vad检测。

　　webrtc的vad检测原理是根据人声的频谱范围，把输入的频谱分成六个子带

（80Hz~250Hz，250Hz~500Hz,500Hz~1K,1K~2K,2K~3K,3K~4K。） 分别计算这六个子带的、

能量。然后使用高斯模型的概率密度函数做运算，得出一个对数似然比函数。对数似然比分为

全局和局部，全局是六个子带之加权之和，而局部是指每一个子带则是局部，所以语音判决会

先判断子带，子带判断没有时会判断全局，只要有一方过了，就算有语音。

　　webrtc的vad检测代码比较简洁，核心代码只在三个文件中。

webrtc_vad.c 该文件是用户调用的API函数，使用vad一般只需要调用该里面的函数即可。

使用函数：WebRtcVad_Create  WebRtcVad_Init 申请内存和初始化一些参数。

使用函数：WebRtcVad_set_mode 设置vad要处理的采样率，一般是8000或16000

使用函数：WebRtcVad_Process 核心函数，完成检测是否有人声的核心。

vad_core.c 该文件是webrtc_vad.c 文件中函数的实现代码，也是vad最深层的核心代码，

有兴趣的话可以研究一下。这里不做展开。

　　使用方法：

　　初始化调用：

　　WebRtcVad_Create（）；

　　WebRtcVad_Init（）；

　　WebRtcVad_set_mode（）；

　　处理调用：

　　WebRtcVad_Process（）；

注意事项：

　　这里共有三种帧长可以用到，分别是80/10ms，160/20ms，240/30ms。其它采样率

的48k，32k，24k，16k会重采样到8k来计算VAD。之所以选择上述三种帧长度，是因为语

音信号是短时平稳信号，其在10ms~30ms之间可看成平稳信号，高斯马尔科夫等比较

的信号处理方法基于的前提是信号是平稳的，在10ms~30ms，平稳信号处理方法是可

以使用的。

　　从vad的代码中可以看出，实际上，系统只处理默认10ms,20ms,30ms长度的数据，

其它长度的数据没有支持，笔者修改过可以支持其它在10ms-30ms之间长度的帧长度

发现也是可以的。

　　vad检测共四种模式，用数字0~3来区分，激进程度与数值大小正相关。

0: Normal，1：low Bitrate， 2：Aggressive；3：Very Aggressive 可以根据实际的使用

在初始化的时候可以配置。

　　自问自答：

　　问题一：为什么子带是从80HZ开始的？

　　答复：我国交流电标准是220V~50Hz，电源50Hz的干扰会混入麦克风采集到的数据中且物理震动也会带来影响，所以取了80Hz以上的信号。