基于能量与过零率的语音端点检测系统

资 源 简 介

该程序旨在实现语音信号处理中的关键前端功能及端点检测（VAD），通过综合利用语音信号在时域上的短时能量和短时过零率两个基本特征参数，准确地从带有背景噪声的连续信号中提取出有效的语音段起始点和结束点。实现过程首先对原始语音信号进行预加重处理以提升高频分量，随后执行分帧和加窗处理以保证信号在短时间内的平稳性。核心算法采用双门限判决逻辑：首先计算每一帧的短时能量，通过设置高低两个能量门限初步确定语音的大致范围，有效区分语音段与静默段；接着结合短时过零率特征，利用清音段过零率显著高于背景噪声的特性，对语音的起始和

详 情 说 明

基于短时能量和过零率的语音端点检测系统

项目介绍

本项目实现了一个基于语音信号时域特征的端点检测（Voice Activity Detection, VAD）系统。该系统通过综合利用短时能量（STE）和短时过零率（ZCR）两个核心指标，能够准确地从包含背景噪声的信号中识别并提取出有效语音段。系统采用了经典的双门限判决算法，旨在提高语音在信噪比较低环境下的检测准确性。

功能特性

1. 自动信号生成与模拟：内置测试信号合成功能，能够模拟带有加性高斯白噪声的连续语音信号。
2. 预处理机制：包含预加重处理，通过高通滤波器提升高频分量，使信号频谱平坦化。
3. 分帧与加窗：利用汉明窗（Hamming Window）进行固定长度的分帧处理，确保每一帧信号的短时平稳性。
4. 双特征提取：同步提取物理意义明确的短时能量和短时过零率特征。
5. 双门限状态机判决：通过多级状态转换逻辑（静默、可能开始、语音段），实现对语音起始点和结束点的精准定位。
6. 可视化展示：自动生成多维度对比图表，直观显示时域波形、检测边界、能量曲线及过零率分布。

系统要求

• MATLAB R2016a 或更高版本
• 无需额外工具箱支持，基础核心组件即可运行

实现逻辑与算法分析

1. 信号预处理

系统首先对原始信号进行预加重，滤波器系数设为0.97。随后按照20ms的帧长（16kHz采样率下为320点）和10ms的帧移进行切分。每一帧数据都会乘以汉明窗，以减少频谱能量泄漏。

2. 特征计算

• 短时能量 (STE)：计算每一帧内所有采样点幅值的平方和，反映信号强度。该参数对浊音（元音）极其敏感。
• 短时过零率 (ZCR)：统计信号波形穿过零电平的次数。清音（辅音）的过零率通常远高于背景噪声，因此该特征用于辅助修正语音边界，防止漏检清音结尾。

3. 自动阈值设定

系统利用信号的前5帧作为环境噪声基准，动态计算当前背景下的背景噪声能量和背景过零率均值。

• 能量高门限：用于确认语音段的正式进入。
• 能量低门限：用于语音段的持续监测及初步启动搜索。
• 过零率门限：用于捕捉低能量但高频率的语音成分。

4. 判决执行流程

程序采用状态机逻辑处理每一帧特征：

• 静默阶段：当能量超过低门限或过零率超过门限时，进入“可能开始”状态。
• 可能开始阶段：若能量进一步超过高门限，则确认进入“语音段”；否则若能量回落，则判定为随机干扰，回到静默状态。
• 语音段阶段：持续监测。如果能量和过零率均低于设定门限，则启动静默计数。
• 确认结束：当持续静默帧数达到预设最大值（本项目中为10帧）时，确认该语音段结束。
• 后验过滤：程序会自动检查检测到的语音段长度，若总时长小于最小有效阈值（5帧），则视其为瞬间脉冲噪声并予以剔除。

5. 数据导出与结果展示

检测完成后，系统将提取的所有有效语音片段存储在单元数组（Cell Array）中。最终生成一个三层结构的图表：

• 图一：显示原始含噪波形，并用红虚线标出起点，蓝虚线标出终点，阴影区域覆盖检测到的有效语音。
• 图二：显示短时能量曲线及设置的高低能量门限参考线。
• 图三：显示短时过零率曲线及判决门限参考线。

使用方法

1. 启动 MATLAB 软件。
2. 将程序文件放置于当前工作目录。
3. 在命令行窗口直接运行该主函数。
4. 运行结束后，系统会自动弹出可视化图形窗口，并在控制台打印每个检测到的语音段的帧范围及持续时长。
5. 如需检测真实语音文件，可将代码中构造测试信号的部分替换为 audioread 函数读取本地 wav 文件。