語音技術

語音活動偵測

voice activity detection (VAD)

定義

逐刻判斷音頻中「有人在說話」還是靜音或背景聲，為後續處理圈出語音範圍。

點計

量法：把系統判定同人手標註的「有聲／無聲」逐段比對，分開數四類錯——語音開頭被切走、語音中段被誤切、靜音被當語音、靜音段內誤判為語音，各自計比率。

四類錯的代價不同：切走語音會掉字，噪聲當語音會多做無用工。同一個引擎調敏一點，兩類錯會互換——所以比較必須用同一份標註、同一組參數。

健康區間

沒有公開的數值基準：四類錯誤的可接受比例完全由應用決定——字幕轉寫寧可少量誤判、不可切走句頭；統計通話時長則相反。

怎樣自己量 baseline： 自己量：抽十段真實場景錄音（安靜、嘈雜、多人各幾段），人手標出每句起止，再對系統判定數四類錯；固定這份測試集，每次調參重跑。

4 個改進手段

  1. 先選對應用的錯誤方向：字幕／轉寫場景把判定調敏（寧可誤判、不可切字），計費／統計場景調準（寧可漏計、不可多計）。
  2. 語音起止加短緩衝（起點前保留零點幾秒），避免句頭輕聲字被切走——粵語句尾助詞特別容易被切。
  3. 記錄每段被切走或誤判的實際音頻，人手聽一輪，把錯誤與場景（電話、回音、音樂）對應起來再調。
  4. 與下游工具一齊驗：VAD 好不好，最終看轉寫有沒有掉字、多段，而不是只看判定率。

相關文章

資料來源

相關術語

返回術語表廣東話 ASR 比較廣東話語音轉文字