6-1 Introduction to End-Point Detection (I)

[english][all]

(請注意：中文版本並未隨英文版本同步更新！)

Slides for this chapter

「端點偵測」（End-point Detection，簡稱 EPD）的目標是要決定音訊開始和結束的位置，所以又可以稱為 Speech Detection 或是 VAD (Voice Activity Detection)。端點偵測在音訊處理與辨識中，扮演一個重要的角色。

常見的端點偵測方法與相關的特徵參數，可以分成兩大類：

1. 時域（Time Domain）的方法：計算量比較小，因此比較容易移植到計算能力較差的微電腦平台。
   1. 音量：只使用音量來進行端點偵測，是最簡單的方法，但是會對氣音造成誤判。不同的音量計算方式也會造成端點偵測結果的不同，至於是哪一種計算方式比較好，並無定論，需要靠大量的資料來測試得知。
   2. 音量和過零率：以音量為主，過零率為輔，可以對氣音進行較精密的檢測。
2. 頻域（Frequency Domain）的方法：計算量比較大，因此比較難移植到計算能力較差的微電腦平台。
   1. 頻譜的變異數：有聲音的頻譜變化較規律，變異數較低，可作為判斷端點的基準。
   2. 頻譜的Entropy：我們也可以使用使用 Entropy 達到類似上述的功能。

Hint

簡單地說，若只是對聲音波形做一些較簡單的運算，就是屬於時域的方法。另一方面，凡是要用到傅立葉轉換（Fourier Transform）來產生聲音的頻譜，就是屬於頻譜的方法。這種分法常被用來對音訊處的方法進行分類，但有時候有一些模糊地帶。有關於頻譜以及傅立葉轉換，會在後續的章節說明。

錯誤的端點偵測，在語音辨識上會造成兩種效應：

• False Rejection：將 Speech 誤認為 Silence/Noise，因而造成音訊辨識率下降
• False Acceptance：將 Silence/Noise 誤認為 Speech，此時音訊辨識率也會下降，但是我們可以在設計辨識器時，前後加上可能的靜音聲學模型，此時辨識率的下降就會比前者來的和緩。

以下各小節將針對這兩類的端點偵測方法來介紹。

---

Audio Signal Processing and Recognition (音訊處理與辨識)