VAD之Java实现

VAD（Voice Activity Detection，语音活动检测） 是一种用于识别音频流中是否存在语音的技术。其核心目标是区分语音信号与非语音信号（如有声、静默等），应用于ASR语音识别、语音通信压缩、录音分段等场景。例如，在视频会议中，VAD 可以过滤掉静默或背景噪声，只传输有效语音数据，节省带宽；在送入语音识别之前，先通过 VAD切音并只送入有声片段，以提高识别效率。

VAD开源组件比较多，几乎都基于C+，或训练模型来完成。然嵌入到自己的应用工程中或许调试，应用会有一些磨合。

本文是基于VAD机制的原理，用java语言来实现通俗易懂的逻辑，不需要大量的代码过程，以达到清晰的熟知VAD原理的目的，且能用于切音的实时场景。对于想学习VAD原理的同学会有一定的帮助。

一、VAD有如下主要参数

# 最大连续停顿时长，毫秒。用户说话期间的停顿时长超过阈值，则表示用户一句话说完即可进行切音
vad.max.pause.ms=1000

# 最小说话时长，毫秒。说话时长小于阈值，则表示是无效声音忽略掉，从而不中断连续计算“vad.max.pause.ms”参数
# 超过最小说话时长才进入VAD切音处理
vad.min.speak.ms=200

# 最大说话时长，毫秒。说话时长(包括中通静默)超过阈值，则强行切音
vad.max.speak.ms=20000

# 最大静默时长，毫秒。超过阈值，则强行切音
vad.max.silence.ms=8000

# 最大静默电平值，电平单位dB，这里为负值。小于或等于此值即静默帧。
# 电平（Level）指音频信号的强弱程度
# 注意：电平数值为负值
# 设置的静默强度太高，即值越大，如-9、-8等值，则会出现漏音情况，会将有效的音频当成静默帧
# 设置的静默强度太低，即值越小，如-11、-12等值，则会出现将干扰音杂音当成有效音频而保留下来
vad.max.silence.db=-10

二、假设我已有一段pcm音频文件，（之所以要假设为pcm音频，是因为VAD应用在智能电话语音场景中比较多，而通信信道传输中，alaw、ulaw音频编码兼容性好，能在本地将其转换为pcm编码）

通过Audition软件打开一段pcm文件，如下图

该pcm文件的属性，采样率8k，采样位16，单声道

三、代码实现

大致过程是：首先对输入字节流按每帧来遍历，计算每帧的电平值dB，标记最小说话时长（minSpeakMS） 的起点帧。

再从起点帧开始重新遍历帧数组，标记连续静默帧数，连续有声帧数；当连续静默时长超过maxPauseFrames时，即开始切音。具体请看下面代码注解。

1、建立一个VAD类

import com.allen.common.util.AudioFloatConversion8S;

import java.io.File;
import java.io.FileInputStream;
import java.util.Arrays;
import java.util.HashMap;
import java.util.Map;

public class VADUtil {

    // 每帧大小160字节，计算音频的信号强弱时以帧为单位
    private static final int frameSize = 160;

    // 采样率
    private static final int sampleRate = 8000;

    // 采样位
    private static final int sampleSizeInBits = 8;

    // 用于计算帧的电平值（信号强弱）
    private static AudioFloatConversion8S audioConverter = new AudioFloatConversion8S();

    // VAD的主要参数，详见上面说明
    private int maxPauseMS;
    private int minSpeakMS;
    private int maxSpeakMS;
    private int maxSilenceMS;
    private float maxSilenceDB;

    // 初始化参数，因在一段实时的音频流检测过程中，会不断的调用VAD，故事先实例化vad对象
    public VADUtil(int maxPauseMS, int minSpeakMS, int maxSpeakMS, int maxSilenceMS, float maxSilenceDB) {
        this.maxPauseMS = maxPauseMS;
        this.minSpeakMS = minSpeakMS;
        this.maxSpeakMS = maxSpeakMS;
        this.maxSilenceMS = maxSilenceMS;
        this.maxS