Loading article…
音声活動検出（VAD ）は、音声活動検出または音声検出とも呼ばれ、音声処理で使用される人間の音声の有無を検出するものです。[ 1 ] VADの主な用途は、話者ダイアリゼーション、音声コーディング、音声認識です。[ 2 ]音声処理を容易にし、オーディオセッションの非音声セクション中に一部のプロセスを非アクティブ化するためにも使用できます。VoIP （ Voice over Internet Protocol ）アプリケーションで無音パケットの不要なコーディング/送信を回避し、計算とネットワーク帯域幅を節約できます。
VAD（音声活動検出）は、さまざまな音声ベースのアプリケーションにとって重要な基盤技術です。そのため、レイテンシー、感度、精度、計算コストの間でさまざまな特性とトレードオフを提供する、多様なVADアルゴリズムが開発されてきました。一部のVADアルゴリズムは、音声が有声、無声、持続音であるかどうかなど、さらに詳細な分析機能も提供します。音声活動検出は通常、言語に依存しません。
当初は時間割り当て音声補間（TASI）システムでの使用を目的として研究された。[ 3 ]
VADアルゴリズムの典型的な設計は以下のとおりです。
この処理シーケンスにはフィードバックが含まれる場合があり、VADの決定結果を用いてノイズ低減段階におけるノイズ推定精度を向上させたり、閾値を適応的に変化させたりします。これらのフィードバック処理により、非定常ノイズ（つまり、ノイズが大きく変動する場合）におけるVADの性能が向上します。
最近発表された代表的なVAD手法では、音声とノイズ間の乖離距離を瞬時に測定し、フレームごとに判定ルールを策定します。VAD手法で使用される様々な測定方法には、スペクトル傾斜、相関係数、対数尤度比、ケプストラム、加重ケプストラム、および修正距離尺度などがあります。
VADアルゴリズムの選択とは無関係に、音声がノイズとして検出されるか、ノイズが音声として検出されるか（偽陽性と偽陰性の間）の妥協点を見つける必要があります。携帯電話で動作するVADは、非常に多様な種類の音響背景ノイズが存在する状況でも音声を検出できなければなりません。このような困難な検出条件下では、音声セグメントを失う可能性を低減するために、VADがフェイルセーフであり、判断に疑義がある場合に音声が検出されたことを示すことが望ましい場合が多くあります。この環境での音声検出における最大の困難は、遭遇する信号対雑音比（SNR）が非常に低いことです。音声発話の一部がノイズの下に埋もれている場合、単純なレベル検出技術を使用して音声とノイズを区別することは不可能かもしれません。
デジタル移動無線、デジタル同時音声データ伝送（DSVD）、音声ストレージなど、幅広いアプリケーションにおいて、音声符号化パラメータを断続的に伝送することが望ましい。その利点としては、携帯電話端末の平均消費電力の低減、データ伝送などの同時サービスにおける平均ビットレートの向上、ストレージチップの容量増加などが挙げられる。しかし、この改善は主に、音声中の休止時間の割合と、これらの休止時間を検出するために使用されるVADの信頼性に依存する。一方では、音声活動の割合が低い方が有利である。他方では、クリッピング、すなわち数ミリ秒の音声活動時間の損失は、品質を維持するために最小限に抑える必要がある。これは、高ノイズ環境下におけるVADアルゴリズムにとって重要な課題である。
VADの議論を呼ぶ用途の一つに、テレマーケティング会社が使用する予測ダイヤラーとの連携があります。テレマーケティング会社は、エージェントの生産性を最大化するために、利用可能なエージェントの数よりも多くの番号に発信するよう予測ダイヤラーを設定します。これは、ほとんどの通話が「呼び出し音なし」または留守番電話につながることを承知の上でのことです。人が電話に出ると、通常は「もしもし」「こんばんは」などと短く話し、その後しばらく沈黙します。留守番電話のメッセージは通常、3～15秒間の連続した音声です。VADのパラメータを正しく設定することで、ダイヤラーは通話に応答したのが人間か機械かを判断し、人間であれば利用可能なエージェントに通話を転送します。留守番電話のメッセージを検出すると、ダイヤラーは通話を切断します。多くの場合、システムが通話に応答した人間を正しく検出しても、利用可能なエージェントがいない場合があり、「無音通話」となることがあります。「どなたかお名前をお知らせください。電話に出ます」といった数秒間のメッセージによる通話スクリーニングは、このような自動音声通話を妨害するのに役立ちます。
VADを評価するには、テスト録音を使用した出力を、「理想的な」VADの出力と比較します。理想的なVADは、録音に音声の有無を手動で注釈付けすることによって作成されます。VADのパフォーマンスは、一般的に次の4つのパラメータに基づいて評価されます。[ 4 ]
上記の方法はVADの性能に関する有用な客観的情報を提供するものの、主観的な効果を近似的に測定するに過ぎません。例えば、快適ノイズ合成に選択されたモデルによっては、背景雑音の存在によって音声信号のクリッピングの影響が隠されてしまう場合があり、客観的なテストで測定されたクリッピングの一部は実際には聞こえない可能性があります。したがって、VADの主観的なテストを実施することが重要であり、その主な目的は、知覚されるクリッピングが許容範囲内であることを確認することです。VoIPアプリケーションでは、検出直前まで巻き戻し、ごくわずかに遅延したデータを送信することで、フロントエンドのクリッピングを低減できます。
この種のテストでは、一定数のリスナーが、テスト対象のVADの処理結果を含む録音を評価し、以下の特徴に基づいて複数の音声シーケンスに点数を付ける必要があります。
これらのマークは、上記に挙げた各機能の平均結果を計算するために使用され、それによってテスト対象のVADの動作に関する全体的な推定値が得られます。
結論として、VADの品質を評価する初期段階では客観的な方法が非常に有用である一方、主観的な方法の方がより重要である。主観的な方法は、数日間にわたって複数の人が参加する必要があり、コストが増加するため、一般的には提案が標準化されようとしている段階でのみ使用される。