【数字信号处理含matlab代码】第十三篇：语音端点检测后处理——连续有话段分割

第十三篇：语音端点检测后处理——连续有话段分割

在前几篇中，我们完成了语音预处理（去趋势）、信号预测延拓和峰值检测。现在我们把目光聚焦到语音信号处理的核心前端任务——端点检测（Voice Activity Detection, VAD）。通常，VAD 算法会以帧为单位输出一个 0/1 标记序列（1 表示该帧包含语音，0 表示静音或噪声），但这样的标记序列是离散且零散的，我们需要将它们聚合为连续的语音片段，以便后续逐段进行特征提取（如 MFCC）、识别或合成。findSegment.m 正是为此而生：它将一维的标记向量转换为结构体数组，清晰地给出了每个有声段的起始位置、结束位置和持续时长。本篇将深入解析其代码实现，并结合实际场景展示其用法。

1. 端点检测背景简述

语音端点检测的目的是在一段录音中准确区分“有效语音”和“非语音”（包括静音、环境噪声、呼吸声等）。典型的 VAD 算法基于能量、过零率、频谱质心或深度学习模型，输出一个与帧数等长的逻辑向量 express，其中 express(i)=1 表示第 i 帧为语音，express(i)=0 表示非语音。

但在实际应用中，我们需要的不是帧级标记，而是连续的语音段落，因为：

• 语音识别模型通常以“句子”或“词组”为单位输入；
• 特征提取（如 LPC、MFCC）需要在连续语音段上滑动窗口；
• 后续处理（如基音跟踪、共振峰提取）依赖于段内信号的统计平稳性。

findSegment 将标记序列转换为易读的结构化数据，方便我们直接定位每一段语音的起止样本索引。

2. findSegment.m 代码逐行解析

function soundSegment = findSegment(express)
if express(1)==0
voicedIndex = find(express); % 寻找express中为1的位置
else
voicedIndex = express;
end

soundSegment = [];
k = 1;
soundSegment(k).begin = voicedIndex(1); % 设置第一组有话段的起始位置
for i = 1:length(voicedIndex)–1,
if voicedIndex(i+1) – voicedIndex(i) > 1, % 本组有话段结束
soundSegment(k).end = voicedIndex(i); % 设置本组有话段的结束位置
soundSegment(k+1).begin = voicedIndex(i+1);% 设置下一组有话段的起始位置
k = k + 1;
end
end
soundSegment(k).end = voicedIndex(end); % 最后一组有话段的结束位置
% 计算每组有话段的长度
for i = 1 : k
soundSegment(i).duration = soundSegment(i).end – soundSegment(i).begin + 1;
end

解析：

• 输入处理：函数输入 express 可以是逻辑/数值向量（帧标记）。如果 express(1)==0，表示第一帧不是语音，则使用 find(express) 提取所有 1 的索引，得到一个连续的索引列表 voicedIndex；若 express(1)==1（意味着整段都是语音，或第一帧即为语音），则直接将 express 本身作为索引列表（这里设计有些巧妙，但实际使用中 express 通常为 0/1 向量，很少直接作为索引，这个分支可能用于复用，我们暂按常规理解）。

• 初始化结构体数组：soundSegment = []，然后 k=1，定义第一个段的结构体，设置 begin 为第一个语音帧的索引。

• 循环扫描相邻索引：for i = 1:length(voicedIndex)-1，检查 voicedIndex(i+1) – voicedIndex(i) > 1。如果相差大于 1，说明这两帧之间至少有一帧为 0（静音），因此当前段到此结束，新段开始。

  • 将当前段的 end 设为 voicedIndex(i)；
  • 将新段的 begin 设为 voicedIndex(i+1)；
  • k 自增，准备记录新段。

• 结束处理：循环结束后，将最后一个段的 end 设为最后一个语音帧的索引。

• 计算时长：遍历所有段，计算每段的持续时间（帧数），duration = end – begin + 1。

输出结构：soundSegment 是一个结构体数组，每个元素包含字段 begin、end 和 duration。例如 soundSegment(1).begin = 5，表示第一个语音段从第 5 帧开始。

3. 使用示例与可视化

假设我们有一段音频，通过简单的能量阈值法得到 VAD 标记（为演示，手动构造一个标记序列）：

% 模拟 20 帧的标记，1 表示语音
express = [0 0 1 1 1 0 0 1 1 0 1 1 1 1 0 0 0 1 0 0];
% 调用 findSegment
seg = findSegment(express);

% 打印每个段的信息
for i = 1:length(seg)
fprintf('段 %d: 起始帧 %d, 结束帧 %d, 持续 %d 帧\\n', …
i, seg(i).begin, seg(i).end, seg(i).duration);
end

输出：

段 1: 起始帧 3, 结束帧 5, 持续 3 帧
段 2: 起始帧 8, 结束帧 9, 持续 2 帧
段 3: 起始帧 11, 结束帧 14, 持续 4 帧
段 4: 起始帧 18, 结束帧 18, 持续 1 帧

我们可以据此从原始音频中提取出各段信号：

% 假设 frames 是一个 N×帧数 的矩阵，每列为加窗后的帧数据
for i = 1:length(seg)
segFrames = frames(:, seg(i).begin : seg(i).end);
% 进行后续处理，如计算 MFCC
end

4. 与其他函数的协同

findSegment 通常出现在处理链的中间环节：

原始语音 → polydetrend（去趋势）→ 分帧加窗 → 计算 VAD 标记 → findSegment → 对每个段执行 forback_predictm（若需延拓）→ 特征提取

• 与 polydetrend：先去除趋势，VAD 阈值更稳定。
• 与 forback_predictm：在每个语音段的边界可进行延拓，避免边界效应。
• 与 findpeakm：在段内检测峰值，用于基音标记。

5. 注意事项

• 帧移和帧长：begin 和 end 是帧索引，若要对应到样本点，需乘以帧移（hop size）并适当偏移。例如采样率为 16000 Hz，帧长 25 ms，帧移 10 ms，那么第 b 帧的起始样本为 (b-1)*shift，结束样本为 (b-1)*shift + frameLen – 1。

• 第一个标记为 1 的情况：代码中若 express(1)==1，则直接将 express 本身当作 voicedIndex，但这只有在 express 不是 0/1 向量，而是直接给出语音帧索引列表时才有效。更稳健的写法是始终使用 voicedIndex = find(express ~= 0)。建议在使用时确保 express 是逻辑/数值标记。

• 短语音段：有时 VAD 会因噪声误判产生只有 1~2 帧的极短段，可根据需要设定最小长度阈值（如 ≥ 3 帧），在 findSegment 后过滤。

• 静音段保留：如果需要静音段的起止位置，可以取反标记再调用 findSegment。

6. 改进建议

若需要将段信息转换为样本索引，可编写一个包装函数：

function segSamples = segment2samples(seg, shift, frameLen)
for i = 1:length(seg)
segSamples(i).startSample = (seg(i).begin – 1) * shift + 1;
segSamples(i).endSample = (seg(i).end – 1) * shift + frameLen;
segSamples(i).durationSamples = segSamples(i).endSample – segSamples(i).startSample + 1;
end
end

7. 本讲小结

• 我们理解了帧级 VAD 标记聚合为连续语音段的必要性。
• 逐行剖析了 findSegment.m 的实现，包括结构体数组的构建和时长计算。
• 展示了使用示例及与其他预处理函数的协同方式。
• 讨论了边界条件和改进建议。

现在，您已经拥有了从原始语音到结构化段落的完整工具链。最后一篇（第十四篇）我们将把这些工具全部串联起来，完成一个从语音采集、预处理、VAD、分段、滤波到特征提取的综合实战项目，敬请期待！

📥 所有代码均已打包，点击下方链接免费获取： 下载链接

下篇预告：综合实战——从语音采集到滤波分析的系统级串联。我们将以一个真实语音文件为例，应用本系列全部工具：去趋势、端点检测、分段、设计 FIR 滤波器（结合 ideal_lp 和窗函数）、结构转换（dir2cas）、频率响应分析（freqz_m）、预测延拓（forback_predictm）以及滤波实现（casfiltr），完整体验一套专业信号处理流程。敬请期待！