webrtc之语音活动下——VAD人声判定原理以及源码详解

---

前言

在上一篇文章中，介绍了VAD对于能量的计算原理和策略介绍。本篇文章中讲进一步介绍VAD中的人声/噪声决策，这是基于高斯混合模型，也就是GMM进行计算的。

本篇文章将会对照源码、结合图像进行介绍：

• GMM模型介绍（可以跳过）
• webrtc中VAD的高斯模型（包括来源以及使用）
• 人声/噪声决策以及在线更新机制
• hangover机制

本篇文章比较长，可以耐心观看。

|版本声明：山河君，未经博主允许，禁止转载

---

一、高斯混合模型介绍

如果对于高斯模型很熟悉那么可以跳过这一节，这里需要明白的是概率密度、区间概率和条件概率的区别。

1.高斯模型举例

1）定义

高斯分布（又叫正态分布）是一种常见的概率分布，它的概率密度也叫做似然函数（PDF）是：
$$p(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp (-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$

• $\mu$为均值：分布的中心位置，数据大部分集中在它附近。
• ${\sigma }^2$表示方差：分布的宽度，数值越大，图像分布越平；数值越小，分布越尖。

而使用高斯分布计算区间概率公式为：
$$P(a<X<b)={\int }_a^{b}p(x)dx$$

2）举例说明

假设有一门数学考试，100 分满分，有5个学生的成绩分别是$60,70,80,75,65$：

• 均值$\mu$：$\mu =\frac{1}{N}{\sum }_{i=1}^N{x}_i=\frac{60+70+80+75+65}{5}=70$
• 方差${\sigma }^2=\frac{1}{N}{\sum }_{i=1}^N(x_i-\mu {)}^2=\frac{(-10{)}^2+0^2+10^2+5^2+(-5{)}^2}{5}=50$

那么现在还有一个学生

• 他的成绩为$73$分的概率带入公式最终结果为：$5.16\%$
• 他的成绩在$[70,75]$分之间的概率带入公式为：$26\%$

2.高斯混合模型(GMM)

1）定义

GMM 就是多个高斯分布的加权和，它的概率密度公式是:
$$p(x)=\sum _{k=1}^K{w}_k\cdot \mathrm{N}(x|u_k,{\sigma }_k^2)$$

• $k$：高斯分布的个数
• $w_k$：每个分布的权重（比例，所有权重相加 = 1）
• $u_k,{\sigma }_k$：第k 个高斯分布的均值和方差
• $\mathrm{N}(x|u_k,{\sigma }_k^2)$：第k个高斯分布的概率密度函数 (PDF)

而此时我们计算某一个值属于哪一个高斯分布的过程叫做条件概率（责任度）：
$$P(l_k|x)=\frac{l_k}{p(x)}=\frac{w_k\cdot \mathrm{N}(x|u_k,{\sigma }_k^2)}{p(x)}$$

2）举例说明

上文中是一个以成绩的例子进行计算高斯分布，但显然现实中要考虑的因素会更多：

• 一部分学生是学霸$30\%$，集中在$85\pm 5$分附近
• 一部分学生是普通学生$70\%$，集中在$65\pm 10$分附近

那么由此可以得到：

• 学霸群体：均值$u_1=85$，标准差${\sigma }_1=5$，权重$w_1=0.3$
• 普通学生：均值$u_2=65$，标准差${\sigma }_2=10$，权重$w_2=0.7$

此时有一个学生成绩为70，那么他的条件概率分别为：

• $P(l_1|x)=\frac{l_1}{p(x)}\approx 0.01067(1.07\%)$
• $P(l_2|x)=\frac{l_2}{p(x)}=1-P(l_1|x)\approx 0.98933(98.93\%)$

很明显，该学生大概率属于普通学生

3）一维曲线

使用matlab画出曲线

x = linspace(30, 100, 500);% 学霸群体参数
mu1 = 85; sigma1 = 5; w1 = 0.3;
pdf1 = w1 * normpdf(x, mu1, sigma1);% 普通学生群体参数
mu2 = 65; sigma2 = 10; w2 = 0.7;
pdf2 = w2 * normpdf(x, mu2, sigma2);% 混合分布
pdf_mix = pdf1 + pdf2;% 绘制
figure;
plot(x, pdf1, 'b--', 'LineWidth', 1.5); hold on;
plot(x, pdf2, 'g--', 'LineWidth', 1.5);
plot(x, pdf_mix, 'r-', 'LineWidth', 2);
grid on;
legend('学霸群体 N(85,5^2)*0.3', ...'普通学生 N(65,10^2)*0.7', ...'混合分布 (GMM)');
title('考试成绩的高斯混合模型 (GMM)');
xlabel('成绩');
ylabel('概率密度');

二、VAD高斯混合模型

1.模型训练介绍

1）训练方法

webrtc关于VAD的高斯混合模型训练是一种离线训练，是通过以下几个步骤得到的：

• 准备数据
  • 收集了大量的语音数据（各种语言、男女声、不同音量）
  • 收集了大量的噪声数据（白噪声、街道、办公室、电话线路噪声等）
• 特征提取
  • 对每一帧音频（10ms ~ 30ms）提取简单特征：子带能量、总能量、过零率
  • 特征维度很低，不像是MFCC会有多个维度，但适合在嵌入式环境运行
• 拟合高斯分布
  • 把“语音帧特征”丢进一个高斯混合模型训练器
  • 把“噪声帧特征”丢进另一个 GMM 训练器
  • 使用EM算法迭代得到每个分量的均值、方差、权重
• 量化和存储
  • 得到的均值、方差、权重定点数存储（int16_t），方便在 C 代码里运行
  • 该套参数固定写死在代码表里，运行时虽然会根据实际情况修改，但不会在运行后进行存储

由此我们也可以直觉看出来这套模型的明显的优缺点：

特性	优点	缺点
计算效率	高，适合实时	无
模型复杂度	低，易实现	表达能力有限
多模态表示	可以区分静音/语音	只适合简单多模态
鲁棒性	可自适应噪声变化	对异常噪声敏感
时序建模	无	需要额外平滑

2）训练结果

webrtc中训练后的结果是以Q7格式分别存储在：

• kNoiseDataWeights：噪声的两个高斯分布权重，表格中的G0和G1
• kNoiseDataMeans：噪声的两个高斯分布均值
• kNoiseDataStds：噪声的两个高斯分布的方差
• kSpeechDataWeights：噪声的两个高斯分布权重，表格中的G0和G1
• kSpeechDataMeans：噪声的两个高斯分布均值
• kSpeechDataStds：噪声的两个高斯分布的方差
• G0：低幅度、常见特征，是频带特征里的主分量
• G1：高幅度、变化性更大的特征，是频带特征里的补充分量

频带	高斯	Noise 权重	Speech 权重	Noise 均值	Speech 均值	Noise Std	Speech Std
0	G0	34	48	6738	8306	378	555
	G1	62	82	4892	10085	1064	505
1	G0	72	45	7065	10078	493	567
	G1	66	87	6715	11823	582	524
2	G0	53	50	6771	11843	688	585
	G1	25	47	3369	6309	593	1231
3	G0	94	80	7646	9473	474	509
	G1	66	46	3863	9571	697	828
4	G0	56	83	7820	10879	475	492
	G1	62	41	7266	7581	688	1540
5	G0	75	78	5020	8180	421	1079
	G1	103	81	4362	7483	455	850

在代码中，将会在WebRtcVad_InitCore接口中存储在VadInstT结构体中。

2.噪声高斯模型分布

下面将根据具体的参数，画出6个子带的两个高斯分布G0，G1图像，然后再根据权重进行G0和G1加权后的高斯混合图像。

1）matlab代码

clc; clear; close all;% 原始 Q7 数据
kNoiseDataMeans_Q7   = [6738, 4892, 7065, 6715, 6771, 3369, 7646, 3863, 7820, 7266, 5020, 4362];
kNoiseDataStds_Q7    = [378, 1064, 493, 582, 688, 593, 474, 697, 475, 688, 421, 455];
kNoiseDataWeights_Q7 = [34, 62, 72, 66, 53, 25, 94, 66, 56, 62, 75, 103];% 转为 Q0（浮点）
kNoiseDataMeans   = double(kNoiseDataMeans_Q7) / 128;
kNoiseDataStds    = double(kNoiseDataStds_Q7) / 128;
kNoiseDataWeights = double(kNoiseDataWeights_Q7);   % 权重本身可以直接使用kTableSize = length(kNoiseDataMeans);
numBands = kTableSize / 2;figure;for band = 1:numBands% 提取 G0, G1 的参数mean0 = kNoiseDataMeans(2*band-1);mean1 = kNoiseDataMeans(2*band);std0  = kNoiseDataStds(2*band-1);std1  = kNoiseDataStds(2*band);weight0 = kNoiseDataWeights(2*band-1);weight1 = kNoiseDataWeights(2*band);% x 范围，取 ±4σx_min = min(mean0-4*std0, mean1-4*std1);x_max = max(mean0+4*std0, mean1+4*std1);x = linspace(x_min, x_max, 500);% 高斯分布G0 = (1/(std0*sqrt(2*pi))) * exp(-0.5*((x-mean0)/std0).^2);G1 = (1/(std1*sqrt(2*pi))) * exp(-0.5*((x-mean1)/std1).^2);% 加权混合Gmix = (weight0*G0 + weight1*G1) / (weight0 + weight1);% 绘图subplot(2,3,band);plot(x, G0, 'b', 'LineWidth',1.5); hold on;plot(x, G1, 'r', 'LineWidth',1.5);plot(x, Gmix, 'k--', 'LineWidth',1.5);title(['Subband ' num2str(band)]);legend('G0','G1','G_{mix}');xlabel('Value'); ylabel('Probability Density');
end

2）结果

2.人声高斯模型分布

和计算噪声高斯模型分布一样，只需要将matlab中代码替换即可，这里就不贴出代码，直接看结果：

三、VAD人声判断

在上一篇文章webrtc之语音活动上——VAD能量检测原理以及源码详解中，我们已经知道了：

• 检测模式的区别
• 帧长划分方法
• 6个非等宽频带的能量
• 频带划分的意义

1.高斯分布计算

1）公式

源码中关于PDF计算使用Q格式运算以保证精度，其计算公式为：
$$\frac{1}{\sigma }\cdot \exp (-\frac{(x-m{)}^2}{2\ast {\sigma }^2})$$
该接口的计算方式少了一个$\sqrt{2\pi }$，并且这里同样将$\log$运算简化，因此它是一个相对值（比例），而缩放后的 PDF是用于相对比较，不是严格的概率密度，不会影响后续决策与更新。

2）对应代码

接口名为WebRtcVad_GaussianProbability，以下是参数和返回值：

• input：频带能量，以Q4格式保存
• mean：噪声/人声的高斯均值，Q7格式
• std：噪声/人声的高斯方差，Q7格式
• delta：$\frac{x-m}{s^2}$，用于后续更新模型，Q11格式
• 返回值：概率密度，Q20格式

2.人声判定策略

1）判断机制

VAD判断人声是双重机制：

• 局部判定： 捕捉某个子带特别强烈的语音
• 全局判定：要求整体证据够强
• 最终决策：两者取 OR，既保证灵敏度，又保证鲁棒性

2）重要阈值确认

在设置模式WebRtcVad_set_mode_core接口里，确定

• individual：单个频带人声阈值范围，用于局部判定
• total：整体人声阈值阈值范围，用于整体

而对于不同帧长再进一步确定阈值，这里是在GmmProbability真正进行决策的地方进行确定。而对于：

• 短帧10ms：由于信息少，则使用高阈值以避免误判
• 中等20ms：阈值低，放宽一些
• 长帧30ms：本身信息稳定，为了避免太宽松 又设高

除此之外，在进行全局判定时，不同频带的权重存储在kSpectrumWeight中。

值得注意的是，这些阈值的由来是根据大规模实验 + ROC 曲线分析 + 主观听感测试 手工调出来的经验值。

3）整体流程

第一步：计算噪声/人声概率分布

同一段频带语音根据噪声/人声的高斯参数，分别进行计算主分量/补充分量的概率分布，再根据权值计算真正的概率密度，代码如下：

for (channel = 0; channel < kNumChannels; channel++) {h0_test = 0;h1_test = 0;for (k = 0; k < kNumGaussians; k++) {gaussian = channel + k * kNumChannels;tmp1_s32 = WebRtcVad_GaussianProbability(features[channel],self->noise_means[gaussian],self->noise_stds[gaussian],&deltaN[gaussian]);noise_probability[k] = kNoiseDataWeights[gaussian] * tmp1_s32;h0_test += noise_probability[k];  // Q27tmp1_s32 = WebRtcVad_GaussianProbability(features[channel],self->speech_means[gaussian],self->speech_stds[gaussian],&deltaS[gaussian]);speech_probability[k] = kSpeechDataWeights[gaussian] * tmp1_s32;h1_test += speech_probability[k];  // Q27}

第二步：噪声/人声比较

判断单个频带是否为人声使用的是似然对数比，也就是$\log 2(\frac{Pr(X|H1)}{Pr(X|H0)})$，这么做的好处是：

• 避免概率数值太小引起数值问题
• LLR 的加和性质，可以进行多个频带综合判定

值得注意的是：这近似在数帧平均下通常偏差较小，但对极端 / 较小样本会产生偏差，所以后面通过局部+全局、hangover机制与模型更新来抵消误判。

这里的移位操作是为了简化$\log$运算，用最高位表示为整数部分，用整数位的差值来近似$\log 2(h1/h0)$，核心代码为：

      shifts_h0 = WebRtcSpl_NormW32(h0_test);shifts_h1 = WebRtcSpl_NormW32(h1_test);if (h0_test == 0) {shifts_h0 = 31;}if (h1_test == 0) {shifts_h1 = 31;}log_likelihood_ratio = shifts_h0 - shifts_h1;

第三步：判断单个阈值

如果单个频带的信号人声强烈，将会直接认定为语音，值得注意的是即使判断为人声了，还是会接着计算其他频带，这是为了更新模型。核心代码为：

if ((log_likelihood_ratio * 4) > individualTest) {vadflag = 1;}

第四步：全局判定

这里分为两部分

• 根据权重加合
• 整体阈值判断

其核心代码如下：

sum_log_likelihood_ratios +=(int32_t) (log_likelihood_ratio * kSpectrumWeight[channel]);.......vadflag |= (sum_log_likelihood_ratios >= totalTest);         

四、模型更新

在进行模型更新时，需要考虑到平滑处理，所以这里运用到大量的平滑滤波的思想，见文章语音信号处理三十一——常用的时域/频域平滑滤波。

1.计算条件概率

首先获取各个频带噪声/人声在主分量和补充分量的条件概率，分别存储在ngprvec和sgprvec中。

如果$h<0$，那么默认该数值必然是主分量特征，以下是噪声的条件概率核心代码，人声类似：

h0 = (int16_t) (h0_test >> 12);  // Q15if (h0 > 0) {tmp1_s32 = (noise_probability[0] & 0xFFFFF000) << 2;  // Q29ngprvec[channel] = (int16_t) WebRtcSpl_DivW32W16(tmp1_s32, h0);  // Q14ngprvec[channel + kNumChannels] = 16384 - ngprvec[channel];} else {ngprvec[channel] = 16384;}

2.获取噪声基线和均值

1）噪声基线的作用

WebRTC VAD 和很多能量型 VAD 都是基于一个基本假设：在连续音频信号中，语音的能量通常高于环境噪声的能量。

而噪声基的含义是指：环境噪声在短时间或一段时间内的平均能量水平或特征值参考。

2）确定噪声基线

噪声基线的获取是一种中值滤波的思想。在接口WebRtcVad_FindMinimum中，它的大致流程为：

输入: feature_value, channel, self┌─► [1] 更新历史值的年龄
│      ├─ 遍历16个存储的最小值
│      ├─ age < 100 → age++
│      └─ age == 100 → 移除该值，数组前移，最后位置填充大数
│
└─► [2] 判断是否插入新值├─ feature_value 比数组中的某些值小│     └─ 找到插入位置 position│          └─ 从尾部往后移，插入新值，age=1└─ 否则丢弃（说明它不是最小16个之一）┌─► [3] 计算当前中位数
│      ├─ frame_counter > 2 → 取 smallest_values[2] (第3小)
│      └─ frame_counter <= 2 → 取 smallest_values[0] (最小值)
│
└─► [4] 平滑更新 mean_value[channel]├─ 如果 current_median < mean_value → α = 0.2 (快速下降)└─ 否则 α = 0.99 (缓慢上升)└─ mean_value[channel] ← α * mean_value[channel] + (1-α) * current_median[5] 返回 mean_value[channel]

这里可以对照代码进行理解。

3）获取噪声均值

实现主要在WeightedAverage接口内，该接口的使用方法为：

• 输入主分量和补充分量的均值
• 输入对应的权重
• 输出计算后的均值

3.更新噪声均值

1）短时更新

WebRTC 里不可能每次都存很多帧再做完整的EM，并且GMM更新中webrtc希望带权，所以这里采用的是梯度递推进行更新，公式为：
$${\mu }_{noise}^{now}={\mu }_{noise}^{old}+\eta \cdot {\gamma }_{now}(x-{\mu }_{noise}^{old})$$

• $\eta$：权系数
• ${\gamma }_{now}$：当前频带当前分量的条件概率

由于篇幅原因，这里不做推导了，可以看看别的文章，或者可以私信博主

这里加权是并不希望噪声平均变化过快。对应代码为：

static const int16_t kNoiseUpdateConst = 655; // Q15
nmk2 = nmk;
if (!vadflag) {delt = (int16_t)((ngprvec[gaussian] * deltaN[gaussian]) >> 11);nmk2 = nmk + (int16_t)((delt * kNoiseUpdateConst) >> 22);
}

2）平滑修正

首先会用噪声基线减去频带噪声均值得到差值，再根据差值进行指数加权移动平均的思想，和当前帧的噪声均值相加为下一帧的噪声均值，对应代码：

ndelt = (feature_minimum << 4) - tmp1_s16;
nmk3 = nmk2 + (int16_t)((ndelt * kBackEta) >> 9);

值得注意的是：平滑修正不受vadflag影响

3）边界约束

即强制噪声均值不能小于某个最小值，和防止噪声均值过大，避免它被语音能量无限拉升。代码如下：

tmp_s16 = (int16_t) ((k + 5) << 7);if (nmk3 < tmp_s16) {nmk3 = tmp_s16;}tmp_s16 = (int16_t) ((72 + k - channel) << 7);if (nmk3 > tmp_s16) {nmk3 = tmp_s16;}

4）策略意义

对于nmk2会受到$\gamma$的影响，而$\gamma$并不是固定常数，而是随着当前帧的条件概率变动，一旦语音能量进入，更新方向就会发生错误。此时平滑修正的意义就体现出来：

• 短时更新可能受到语音污染，可能偏离真实噪声基线
• 如果当前帧判定为非噪声，那么均值会被kBackEta慢慢收敛回长期基线

4.更新人声均值

和更新噪声均值一样的梯度更新计算方法，只是区别是：

• 不需要进行长期拉回，因为人声是特征动态明显，不需要噪声基线作为参考
• 噪声的限幅控制是为了保证模型稳定，避免漂移到语音区，而人声限幅是跟随语音分布变化，防止过度漂移，所以限幅范围不同
• 人声均值向上取整而不是向下取整smk2 = smk + ((tmp_s16 + 1) >> 1);

5.更新人声方差

1）更新公式

和上文一样，这里采用的是递推更新：
$${\sigma }_{new}={\sigma }_{old}+\eta \cdot \frac{w_k}{{\sigma }_{old}}(\frac{(x-{\mu }_{old}^2)}{{\sigma }_{old}^2}-1)$$

2）代码解析

tmp_s16 = ((smk + 4) >> 3);tmp_s16 = features[channel] - tmp_s16;  tmp1_s32 = (deltaS[gaussian] * tmp_s16) >> 3;tmp2_s32 = tmp1_s32 - 4096;tmp_s16 = sgprvec[gaussian] >> 2;tmp1_s32 = tmp_s16 * tmp2_s32;tmp2_s32 = tmp1_s32 >> 4; if (tmp2_s32 > 0) {tmp_s16 = (int16_t) WebRtcSpl_DivW32W16(tmp2_s32, ssk * 10);} else {tmp_s16 = (int16_t) WebRtcSpl_DivW32W16(-tmp2_s32, ssk * 10);tmp_s16 = -tmp_s16;}tmp_s16 += 128;  // Rounding.ssk += (tmp_s16 >> 8);

其中：

• $w_k$：来自于sgprvec
• $\eta$：为0.025，代码中体现在WebRtcSpl_DivW32W16产生了0.1的分母，sgprvec[gaussian] >> 2产生了4的分母
• tmp_s16 = ((smk + 4) >> 3)：这里的加4原因是为了保证右移3位是向上取整保存精度

3）边界约束

方差值不能小于384

static const int16_t kMinStd = 384;
if (ssk < kMinStd) {ssk = kMinStd;}

6.更新噪声方差

和更新人声方差一样，区别在于更新步长的大小是根据偏移量决定的，不过范围大致在0.015～0.02 之间。

7.模型分离

为了防止speech GMM 模型和 noise GMM 模型的均值太接近而粘在一起，需要最终结合两者进行决策。

1）计算全局均值

noise_global_mean  = WeightedAverage(&self->noise_means[channel], 0, &kNoiseDataWeights[channel]);
speech_global_mean = WeightedAverage(&self->speech_means[channel], 0, &kSpeechDataWeights[channel]);

• 对每个 channel，把各个高斯分量的均值做加权平均。
• 得到一个 全局 noise 平均值 和一个 全局 speech 平均值。

2）计算差值

diff = (int16_t)(speech_global_mean >> 9) - (int16_t)(noise_global_mean >> 9);

• speech 全局均值 − noise 全局均值。
• 如果差值太小，说明两个模型过于接近

3）如果模型太近，强行拉开

if (diff < kMinimumDifference[channel]) {tmp_s16 = kMinimumDifference[channel] - diff;// tmp1_s16 ≈ 0.8 * (缺口)// tmp2_s16 ≈ 0.2 * (缺口)// 把 speech 模型整体往上推一点speech_global_mean = WeightedAverage(&self->speech_means[channel],tmp1_s16, &kSpeechDataWeights[channel]);// 把 noise 模型整体往下拉一点noise_global_mean  = WeightedAverage(&self->noise_means[channel],-tmp2_s16, &kNoiseDataWeights[channel]);
}

• 如果 gap 太小，就把 speech 往上推 80%，noise 往下拉 20%，强制保持至少 kMinimumDifference 的区分度。
• 这样避免两个模型均值重叠，保持判决的鲁棒性。

4）限制模型漂移范围

if (speech_global_mean >> 7 > kMaximumSpeech[channel]) {// speech 上限...
}
if (noise_global_mean >> 7 > kMaximumNoise[channel]) {// noise 上限...
}

作用是给 speech 和 noise 均值设上界，避免模型被极端值推得太远。

五、hangover 机制

1.策略作用

WebRTC VAD 的hangover 机制，用来在语音刚结束时 延长一小段时间继续判为语音，避免抖动。

2.整体流程

检测到语音 → num_of_speech++├─ 如果 num_of_speech <= kMaxSpeechFrames → over_hang = overhead1└─ 如果 num_of_speech >  kMaxSpeechFrames → over_hang = overhead2检测到非语音├─ 如果 over_hang > 0 → 继续输出语音, over_hang--└─ 如果 over_hang = 0 → 输出静音

其中：

• overhead1：给短语音的尾巴加一点点余量。
• overhead2：给长语音的尾巴加更长的余量。
• num_of_speech：用来区分当前语音段的“长/短”。
• over_hang：用来平滑语音和静音的切换，防止“断断续续”

3.对应代码

1）非语音处理

if (!vadflag) {if (self->over_hang > 0) {vadflag = 2 + self->over_hang;self->over_hang--;}self->num_of_speech = 0;
}

• 但 hangover 计数器 over_hang > 0：说明前面刚有语音 → 进入“延长语音”阶段

  • 把 vadflag 设置为 2 + self->over_hang（这里 2 是特殊标记，表明这不是直接检测出的语音，而是 hangover 延长出来的语音）
  • over_hang--：计数器递减

• 否则就彻底当作 silence

• num_of_speech = 0：清零语音帧计数器

2）语音

else {self->num_of_speech++;if (self->num_of_speech > kMaxSpeechFrames) {self->num_of_speech = kMaxSpeechFrames;self->over_hang = overhead2;} else {self->over_hang = overhead1;}
}

• num_of_speech++：累计连续语音帧数
• 如果超过 kMaxSpeechFrames（最大语音帧数限制）：
  • 把 num_of_speech 固定到上限
  • over_hang = overhead2（长的 hangover 时间）
• 否则：over_hang = overhead1（短的 hangover 时间）

---

总结

WebRTC VAD 展示了一个典型的“经典信号处理 + 工程优化”方案：

• 在特征层面，采用子带能量的对数刻画，使得语音与噪声分布更接近高斯；
• 在模型层面，使用固定参数的双高斯混合模型，结合局部和全局判决，提高鲁棒性；
• 在实现层面，大量利用 Q 格式、移位近似、预计算表，保证了低算力环境下的实时性；
• 在动态性上，通过逐帧更新和边界约束，使模型能逐渐适应环境变化。

当然，这种基于 GMM 的方法也有局限：在强噪声、非平稳噪声环境下可能误判，且阈值调优高度依赖经验。随着算力提升，DNN/RNN 基的 VAD 在鲁棒性上表现更优，但代价是更高的复杂度与延迟。

反正收藏也不会看，不如点个赞吧！