使用libxtract或其他小型C、C++库实现VAD功能

Question

我尝试在Android上创建说话人识别系统。目前，我使用libxtract从帧计算MFCC向量，使用libsvm进行分类。

你知道如何使用libxtract或其他我可以在NDK下编译的小型C，C++库来检测帧中的语音(语音活动检测)吗？

Answer 1

健壮的VAD是一个很重要的问题，并且存在many approaches。

您采取的方法取决于以下因素：

• 您的应用程序上下文的细节以及如何使用您的应用程序
• 您可以对将要处理的音频做出什么样的假设(您可以使用什么类型的背景噪声或非语音音频您的系统是否需要在

中实时运行

一种简单的方法可能涉及对每个音频帧进行降噪后的“特征包”(例如f0、噪声、前10个分音的大小)，并使用广泛的语音和非语音样本训练机器学习算法(SVM就足够了)。

然而，最好不要将VAD视为简单的帧音频分类问题，而是将音频的时变方面考虑在内。这将使您更好地估计语音段的开始和结束位置。为此，您可以使用envelope follower或spectral flux。您可以设置这些包络值的高阈值和低阈值，并使用这些(例如)来控制音频流上的门。

Answer 2

Voicebox工具包有一个很好的VAD实现，它使用了Jamie描述的一些技术。你可以在实现“基于统计模型的语音活动检测”(A Statistical -Based Voice Activity Detection) (1999)的vadsohn.m中找到它。

您还可以在github上找到一些实现，比如G729编解码器VAD (用于VOIP应用程序)。例如这个masters thesis。

这些实现是在MATLAB/Octave中实现的，但只需做一些工作就可以移植到C/C++。祝好运!

Answer 3

那LibVAD呢？www.libvad.com

看起来这就是你所描述的。

披露:我是LibVAD背后的开发人员