基于短時能量和短時過零率的VAD算法及其FPGA實現

　　語音激活檢測VAD（Voice Activity Detection）是一種通過特定的判決準則判斷語音中出現的停頓和靜默間隔，檢測出有效語音部分的技術。運用這種技術可以在確保語音質量的前提下，對不同類別的語音段采用不同的比特數進行編碼，從而降低語音的編碼速率。由于在雙工移動通信系統中，一方只有35％的時間處于激活狀態[1]，如何降低靜音期的編碼速率對于減少傳輸帶寬、功率以及容量具有積極的作用，因此VAD技術在語音通信領域具有重要的使用價值。隨著適合于變比特率語音編碼的CDMA和PRMA等多址技術的出現，應用于蜂窩的語音激活檢測的重要性也隨之提高[2]。

　　由于語音通信的特殊性，要求檢測過程能達到實時性的要求。而目前主流DSP芯片的并行度并不高，因此在實時處理的要求下，保證語音質量和降低語音的編碼速率兩者難以兼顧。而現場可編程門陣列（FPGA）由于其硬件具有可編程的靈活性，可以實現較高的并行度，從而可以在滿足實時性要求的前提下，很好地保證語音質量并降低語音的編碼速率。

　　1 算法及檢測流程

　　1．1 算法簡述

　　語音激活檢測算法可以基于時域或頻域。本文采用的算法是時域分析的方法。算法對于輸入信號的檢測過程可分為短時能量檢測和短時過零率檢測兩個部分。算法以短時能量檢測為主，短時過零率檢測為輔。根據語音的統計特性，可以把語音段分為清音、濁音以及靜音（包括背景噪聲）三種。在本算法中，短時能量檢測可以較好地區分出濁音和靜音。對于清音，由于其能量較小，在短時能量檢測中會因為低于能量門限而被誤判為靜音；短時過零率則可以從語音中區分出靜音和清音。將兩種檢測結合起來，就可以檢測出語音段（清音和濁音）及靜音段。

　　1.2 檢測流程

　　檢測流程：對輸入信號先進行高通濾波，減弱以噪聲為主的信號能量。接著進行窗長為80個數據的加窗處理，然后計算該幀的平均能量,再利用短時能量進行VAD初判。若平均能量大于門限則判為語音幀，若平均能量小于門限則判為靜音幀。對于初判為靜音幀的幀再進行VAD平滑，即參考前三幀的情況：如果前三幀中至少包含一幀非平滑過的語音幀，則將該幀平滑為語音幀，同時記錄下該幀為平滑所得的語音幀；反之，則判斷為靜音幀。如果平滑結果仍為靜音幀，且當前幀的過零率介于30～70之間時，則改判為語音幀；反之則仍判為靜音幀[3]。VAD算法的檢測流程圖如圖1所示。

　　此外，由于人耳的聽覺具有掩蔽效應，因此有必要對短時能量門限進行更新[3]。本算法所采用的門限更新方式是：如果連續檢測到三幀語音，為了更好地檢測到靜音，將短時能量門限提高3dB，但如果提高后的門限超過當前幀的平均能量減12dB，則不提高門限；如果連續檢測到三幀靜音，為了更好地檢測到語音，將短時能量門限降低3dB，但如果降低后的門限小于當前幀的平均能量加12dB，則不降低門限。此外，為了防止門限變得太高或降得太低， 還應把門限限制在GATE_MIN、GATE_MAX范圍內。

　　2 系統實現及優化

　　本設計采用QuartusII以及ModelSim進行開發（ModelSim是Mentor Graphics公司的仿真軟件）。QuartusII是Altera公司的一套開發FPGA/CPLD的EDA軟件，可以完成從設計輸入、功能仿真、綜合優化、后仿真、引腳配置、布局布線到配置芯片的一系列FPGA/CPLD的開發流程，并提供調用其他EDA工具，如ModelSim、Synplify/Synplify Pro、FPGA Complier的接口。

　　本設計的輸入為16位PCM編碼的數字語音信號，輸出是每80個數據為一幀的語音信號的檢測結果，其中高電平表示語音，低電平表示靜音。根據所用算法的特點，將本設計劃分成五個模塊：FIFO模塊、高通濾波模塊、平均能量模塊、判決模塊以及控制模塊。系統結構框圖如圖2所示。

　　2.1 FIFO模塊

　　輸入的語音信號的采樣率為8kHz，如果將8kHz作為系統的時鐘頻率，極大地削弱了FPGA芯片的速度優勢。因此系統需要兩個時鐘，一個是頻率為8kHz的采樣時鐘，另一個為系統主時鐘。

　　在FPGA設計中，多時鐘設計會帶來不穩定的隱患。為了提高系統的穩定性，本設計采用一個雙口的FIFO作時鐘隔離。FIFO模塊具有16位的數據輸入口及16位的數據輸出口、8kHz時鐘輸入口以及系統主時鐘輸入口。此外，由于FIFO的讀速度大于寫速度，因此當FIFO為空時，需要輸出一個empty信號。

　　在高通濾波、平均能量計算、判決、控制這四個模塊中均可采用單時鐘設計，而且所使用的時鐘均為系統主時鐘。

　　2．2 濾波器模塊

　　濾波器對輸入信號進行高通濾波的預處理。高通濾波器的傳輸函數采用CS-ACELP算法所使用的傳輸函數[4]：