本文内容均翻译自这篇博文：(该博主的相关文章都比较好，感兴趣的可以自行学习)
Voice Activity Detection(VAD) Tutorial
语音端点检测一般用于鉴别音频信号当中的语音出现（speech presence）和语音消失（speech absence）。这里将提供一个简单的VAD方法，当检测到语音时输出为1，否则，输出为0。
语音是否出现或者在背景噪声上是否平坦决定了VAD方法的检测是否稳定（The job of a VAD is to reliably determine if speech is present or not even in background noise）。在纯净背景噪声环境下（clean conditions），即使简单的能量检测方法也能够得到较好的语音检测效果，然而，一般情况下，我们得到的音频信号均会存在背景噪声。这就意味着，我们的VAD方法必须对噪声具有较好的鲁棒性。
VAD的总体步骤如下：
- 将音频信号进行分帧处理；
- 从每一帧数据当中提取特征；
- 在一个已知语音和静默信号区域的数据帧集合上训练一个分类器；
- 对未知的分帧数据进行分类，判断其属于语音信号还是静默信号。
通常，一个VAD算法会将音频信号划分为发音部分（voiced）、未发音部分（unvoiced）和静默部分（silence）。这里介绍的特征能够很好的适用于这种分类任务，但是分类器的分类类别是3类而非两类（voiced speech，unvoiced speech and silence）。
预处理
第一步是将音频信号通过一个高通滤波器，截止频率大约为\(200Hz\)。这一步的目的是移除信号当中的直流偏置分量和一些低频噪声。虽然在低于\(200Hz\)的部分仍然有部分语音信息，但是不会对语音信号造成很大的影响。
在特征提取之前，我们首先要对音频信号进行长度为\(20-40ms\)的分帧，一般帧与帧之间的重叠为\(10ms\)。举例来说，如果我们的音频信号采样率为\(16kHz\)，取窗口大小为\(25ms\)，这种情况下，每一帧数据的所包含的数据点为：\(0.025*16000=400\)采样点。令帧之间重叠为\(10ms\)来计算，第一帧的数据起始点为\(sample 0\)，第二帧数据的起始点为\(sample 160\)。
特征提取
分帧完成之后，就可以对每一帧数据进行特征提取。在下面的讨论中，\(x(n)\)为音频数据的一帧数据，其中\(n\)的范围为\(1 \rightarrow L\)（\(L\)为每一帧数据的长度）。对每一帧数据进行下面五种特征的提取：
- 对数帧能量（logarithm of frame energy）：
\[ E=log(\sum\limits_{n=1}^{L}x(n)^2) \] - 过零率（zero crossing rate）：每一帧数据穿过零点的次数
- 在延迟一个位置处标准化自相关系数（normalised autocorrelation coefficient at lag 1）：
\[ C=\frac{\sum\limits_{n=1}^{L-1}x(n)x(n-1)}{\sqrt{(\sum\limits_{n=1}^{L-1}x(n)^2)(\sum\limits_{n=1}^{L-1}x(n-1)^2)}} \]