企业官网建设流程全解析

简介：在语音信号处理中，端点检测是定位语音起止点的关键技术。一个围绕双门限法实现的MATLAB脚本可作为入门参考，面向语音处理初学者与算法研究人员，重点演示通过高、低两个门限区分语音段与静音段的完整流程。压缩包仅含1个m文件，整体大小925B，代码精简，适合作为课程设计或算法验证的起点，也便于在此基础上对比不同参数的影响；目前已有1029人学习下载。脚本覆盖语音读取、分帧、能量计算、门限比较等核心步骤，并结合阈值设置与窗口大小对检测效果的影响展开说明；读者可借此直观理解双门限法的参数调整与判断逻辑，也能结合原理进一步扩展自适应门限、噪声估计等改进策略，用于语音识别、语音压缩等实际场景的训练与实验，并作为二次开发的基础。

1. 双门限法：语音端点检测最实用的工程起点

一段语音录音里，哪一部分是人声、哪一部分是静音、哪一段又是背景噪声？语音端点检测就是回答这个问题的算法。双门限法通过短时能量和短时过零率两个特征，设置高低两级门限，把语音段从连续信号里干净地切出来。它不需要训练数据，几十行 MATLAB 代码就能跑通，也容易移植到 C 语言做嵌入式部署。网上以 matlab.rar 命名的压缩包里经常能看到这类源码，但参数往往写死，直接套用容易出问题。这篇文章从原理讲到实现，再讲参数调优和 C 移植，适合做语音前端处理、给模型准备训练语料、或者刚开始接触语音信号处理的工程师。

2. 双门限法原理：短时能量、短时过零率与两级判决状态机

2.1 短时能量：先分帧，再算浊音与静音的区分度

双门限法处理的对象不是整段录音，而是分帧后的信号。常见做法是取 25ms 一帧、10ms 帧移，16kHz 采样率下正好是 400 点一帧、相邻帧重叠 160 点。分帧之后，每一帧都能算出两个特征：短时能量和短时过零率，它们构成后续所有判决的基础。

短时能量的定义是：

energy = sum(frame.^2) / length(frame);

也就是一帧内所有采样点的平方和再除以帧长。浊音由声带振动产生，幅度大，能量明显高于静音；静音段的能量接近麦克风底噪。这个差距通常在 10dB 以上，所以能量是第一个被用来判决的特征。注意这里用的是相对值而不是绝对值，门限需要根据当前录音的平均能量来定，不能直接抄一个固定数。

2.2 短时过零率：清音与噪声的区分要靠它

清音段是气流摩擦产生的，频谱集中在高频，波形振荡快，单位时间内穿越零轴的次数显著高于能量相近的静音。所以过零率解决了“能量低但确实是语音”的分类问题。

zcr = sum(abs(diff(sign(frame)))) / (2 * length(frame));

sign把每个采样点变成 +1 或 -1，diff计算相邻符号的差值，非零值表示发生了一次穿越，求和后除以 2 得到穿越次数，再除以帧长做归一化。16kHz 采样率下，静音帧的过零率通常在 10 到 30 之间，清音帧可以达到 60 到 100。这个值受直流偏置影响很大，如果信号里有直流分量，过零率会被严重拉低，所以预加重或高通滤波是必要的前置处理。

2.3 两级门限状态机：先“怀疑”，再“确认”

单门限的问题很直接：语音中间有停顿，能量一低就被切成两段；空调声、键盘声一响，又被误判成语音。双门限法用低门限做“怀疑”，用高门限做“确认”，再配合最短语音长度和最大静音长度两个约束，把边界稳下来。

这里的关键是“或”还是“且”。实际工程里，我用能量超过低门限 || 过零率超过门限进入候选，用能量超过高门限确认。因为在清音段，能量可能只比静音高一点点，但过零率很高；在浊音段，能量很高但过零率未必突出。两个特征互补，缺一个都会漏掉一部分语音。

状态机还需要两个约束：最小语音长度防止把噪声毛刺当语音，常见做法是连续 5 帧以上才算数；最大静音长度防止把词间停顿误切成两段，常见做法是允许语音内部出现最多 8 帧的低能量帧，超过才判定结束。这两个值就是后面 MATLAB 代码里的params.min_speech_len和params.max_silence_len。

还有一个经常被忽略的细节：双门限法判断的是“语音是否存在”，而不是“暂停是否发生”。如果一句话中间停顿超过max_silence_len帧，算法会把这句话切成两段。对识别任务来说这不是问题，识别引擎本来就按短句建模；对数据集切分任务，如果你希望把一句话保持为一段，max_silence_len需要按语句的实际节奏来设，而不是按算法默认值。

3. 用 MATLAB 实现双门限端点检测：可直接运行的最小代码

3.1 读取音频并分帧：预加重与帧参数选择

先把语音读进来。无论你用的 MATLAB 版本是 r2023b 还是新版本，audioread的接口都一致，返回列向量x和采样率fs。下面是读文件、转单声道、归一化、预加重的完整片段：

[x, fs] = audioread('speech.wav'); if size(x, 2) > 1 x = mean(x, 2); % 双声道合成单声道 end x = x / max(abs(x)); % 归一化，避免不同录音音量影响门限 x = filter([1, -0.97], 1, x); % 预加重，补偿语音高频能量衰减

预加重系数 0.97 是语音处理里的常用值，作用是让清音的高频成分在能量特征里不至于太弱。实际使用时，如果录音本身已经做过均衡，这个系数可以调到 0.9 甚至省略，否则清音的过零率优势会被能量特征盖过去。

分帧参数需要根据采样率换算。帧长取 25ms，帧移取 10ms，是最常见的配置；帧长了时间分辨率差，边界会模糊，帧短了单帧统计不稳定。

frame_len = round(fs * 0.025); % 25ms 帧长 frame_shift = round(fs * 0.010); % 10ms 帧移 n_frames = floor((length(x) - frame_len) / frame_shift) + 1; frames = zeros(frame_len, n_frames); for i = 1:n_frames start_idx = (i - 1) * frame_shift + 1; frames(:, i) = x(start_idx : start_idx + frame_len - 1); end

这里用循环分帧而不是buffer函数，是因为buffer的输出矩阵列数受信号长度影响，边界情况容易算错。循环分帧把索引关系写在明面上，后面定位端点时，帧号转时间采样点只需要(frame_idx - 1) * frame_shift + 1，不容易出现索引偏移错误。

3.2 计算短时能量、过零率并初始化门限

对每一帧计算能量和过零率，然后初始化三个门限：

energy = sum(frames.^2, 1) / frame_len; zcr = sum(abs(diff(sign(frames), 1, 1)), 1) / (2 * frame_len); noise_frames = 1:min(10, n_frames); % 假设前 10 帧是静音 energy_low = mean(energy(noise_frames)) * 3; % 低门限 = 3 倍噪声能量 energy_high = max(energy) * 0.15; % 高门限 = 峰值能量的 15% zcr_thresh = mean(zcr(noise_frames)) * 2; % 过零率门限 = 2 倍噪声过零率

低门限取 3 倍噪声能量，依据是静音段能量近似服从高斯分布，3 倍均值能把绝大多数噪声帧挡在候选之外。高门限取峰值能量的 15%，这个比例对平稳噪声录音基本够用，但如果录音里有突发噪声，15% 可能把噪声也确认为语音。门限的比例系数需要依据实际数据分布调整，直方图是调整的依据。前 10 帧假设是静音，这个假设在录音开头立刻说话时会失效，解决办法是取整段能量最小的 10 帧作为噪声估计，而不是固定取前 10 帧。

下面这张参数表是调优时的核心参照：

3.3 双门限状态机主循环与边界处理

把上面的特征和门限放进状态机。下面是完整的vad_dual_threshold函数，输入是语音信号和采样率，输出是segments，每一行是[起点帧, 终点帧]：

function segments = vad_dual_threshold(x, fs) frame_len = round(fs * 0.025); frame_shift = round(fs * 0.010); n_frames = floor((length(x) - frame_len) / frame_shift) + 1; frames = zeros(frame_len, n_frames); for i = 1:n_frames si = (i - 1) * frame_shift + 1; frames(:, i) = x(si : si + frame_len - 1); end energy = sum(frames.^2, 1) / frame_len; zcr = sum(abs(diff(sign(frames), 1, 1)), 1) / (2 * frame_len); noise_frames = 1:min(10, n_frames); energy_low = mean(energy(noise_frames)) * 3; energy_high = max(energy) * 0.15; zcr_thresh = mean(zcr(noise_frames)) * 2; min_speech = 5; max_silence = 8; segments = []; state = 0; % 0 静音, 1 可能语音, 2 语音 cand_start = 0; speech_start = 0; silence_count = 0; for i = 1:n_frames above_low = energy(i) > energy_low || zcr(i) > zcr_thresh; above_high = energy(i) > energy_high; switch state case 0 if above_low cand_start = i; state = 1; end case 1 if above_high speech_start = cand_start; state = 2; silence_count = 0; elseif ~above_low state = 0; end case 2 if above_low silence_count = 0; else silence_count = silence_count + 1; if silence_count >= max_silence if i - silence_count - speech_start >= min_speech segments(end+1, :) = [speech_start, i - silence_count]; end state = 0; end end end end if state == 2 && n_frames - speech_start >= min_speech segments(end+1, :) = [speech_start, n_frames]; end end

循环里几个细节容易写错。case 2中结束位置是i - silence_count，因为最后max_silence帧都是静音，要把它们从语音段尾部去掉。结尾处如果语音一直持续到最后一帧，需要单独补一次输出，否则最后一段语音会丢失。case 1里~above_low时回到静音，这是为了消除低门限误触发的短噪声，如果候选段在达到高门限之前就消失了，说明它很可能不是语音。

调用并画图标注的代码：

[x, fs] = audioread('speech.wav'); x = x(:, 1); x = x / max(abs(x)); x = filter([1, -0.97], 1, x); segments = vad_dual_threshold(x, fs); frame_shift = round(fs * 0.010); t = (0:length(x)-1) / fs; plot(t, x); hold on; for k = 1:size(segments, 1) xline((segments(k,1)-1) * frame_shift / fs, 'r'); xline((segments(k,2)-1) * frame_shift / fs, 'b'); end

输出结果以帧号为单位，转成时间戳时注意(segment_start - 1) * frame_shift / fs才是这段语音的起始时间。如果需要保存成标签文件，常见格式是 HTK 的.lab或简单的 CSV 两列，前者时间单位是 100ns，需要乘 10^7 换算。保存时我一般会把边界前后各扩展 2 帧，给后续识别或标注留一点余量。

4. 双门限法参数调优与五个常见坑：阈值为什么不能照抄

4.1 用直方图确定门限，而不是抄代码里的数字

网上能搜到的双门限法 MATLAB 代码，门限基本都是写死的，比如energy_low = 0.01、energy_high = 0.1。这些数字来自作者当时的录音设备、说话距离和信噪比，换一个麦克风就不成立。正确做法是先看特征分布：

histogram(energy, 50); xline(energy_low, 'r'); xline(energy_high, 'g');

如果直方图出现明显的双峰，左侧峰是静音，右侧峰是语音，低门限应该取两个峰之间的谷底，高门限取右侧峰的半山腰。如果只有一个峰，说明录音的信噪比太低，或者整段录音根本就是纯静音、纯语音，此时参数怎么调都没有意义，先解决数据质量问题。

另一种不依赖直方图的初始化方法是取全段能量最小的 10 帧作为噪声估计：

[~, idx] = mink(energy, 10); noise_energy = mean(energy(idx)); energy_low = noise_energy * 3;

这个方法比固定取前 10 帧更可靠，因为录音开头不一定安静，可能出现开关声、衣物摩擦声。用mink取最小能量帧，相当于假设录音中至少存在 10 帧相对安静的背景段，这个假设在实际语音录音里通常成立。

4.2 五个典型问题与排查手段

第一个坑在调试中遇到最多。语音词尾是浊音衰减过程，能量不断下降，如果低门限偏高，状态机会提前判定语音结束，尾音被截断。我一般会把段尾前后 20 帧的能量打出来，确认是不是贴着门限下降。如果是，就把低门限从 3 倍噪声能量降到 2 倍。注意这不是无脑降低，降太多会把噪声帧带进来，所以同时要看噪声帧的能量分布，低门限不能低于噪声能量的最大值。

清音丢失的典型特征是切出来的语音段长度偏短，听感上词头辅音没了。这时先看zcr_thresh的初始化，它取的是噪声过零率的 2 倍。如果录音里本身有电脑风扇这类低频噪声，过零率很低，2 倍依然很小，问题往往出在能量门限而不是过零率门限。把 case 1 进入 case 2 的条件从energy > high改成energy > high || zcr > zcr_thresh * 3，清音就能保住。

4.3 双门限法与深度学习方法的分工

双门限法在平稳噪声、信噪比高于 10dB 的场景下，端点准确率足够用于大部分数据集切分。但在低信噪比、非平稳噪声（键盘声、关门声、街道噪声）下，能量和过零率的分布会重叠，门限无法分开两类。这时常见做法是改用深度学习方法，比如在 MATLAB 里用 BiLSTM 做帧级语音活动检测，特征用能量、过零率加上 20 维梅尔频谱。搜“bilstm 代码 matlab”能找到这类参考实现。

我一般不会让两者二选一，而是让双门限法当标注工具：先用它切出候选语音段，再把段边界前后各扩展 50ms，人工复核后作为训练集标签。这样既省去逐帧标注的体力活，又比直接拿双门限输出当标签可靠，因为深度模型的训练标签需要精确到帧的噪声段，而不是粗边界。如果需要自动搜索最优门限组合，可以借助 matlab 优化工具箱，把端点误差作为目标函数做网格搜索，但前提是有一份人工标注的验证集。

5. 从 MATLAB 到 C：端点检测落地嵌入式环境的三个技巧

5.1 用 MATLAB Coder 把检测函数转成 C

把入口函数改成只接收数组和采样率、参数通过结构体传入，然后用codegen生成 C 源码。

codegen -config c -o vad_dual_threshold vad_dual_threshold.m

生成后在 vscode 配置 c/c++ 环境里编译。注意把动态分配内存关掉，用coder.Constant声明固定帧长，输出数组预分配最大段数，避免运行时 malloc。

5.2 定点化实现：能量累加与过零率判断

嵌入式环境没有浮点单元时，能量可以缩放成整数累加，过零率用符号位比较：

int32_t energy = 0; for (int i = 0; i < frame_len; i++) { energy += ((int32_t)x[i] * x[i]) >> 4; } int zcr = 0; for (int i = 1; i < frame_len; i++) { if (((x[i] >> 15) ^ (x[i-1] >> 15)) & 1) zcr++; }

>> 4是为了防止 16 位采样值平方后累加溢出，具体右移位数取决于帧长和 ADC 位深。注意门限也要按同样缩放换算，不要一边浮点一边定点。

5.3 用能量直方图验证边界是否可信

移植完成后，在 MATLAB 里把切出来的语音帧和非语音帧的能量分布画出来对比：

speech_energy = energy(segments(1):segments(2)); noise_energy = energy([1:segments(1)-1, segments(2)+1:end]); histogram(speech_energy, 30); hold on; histogram(noise_energy, 30);

两个分布的重叠面积越少，说明当前特征对这段录音的可分性越好。如果重叠明显，优先查预加重和门限初始化，而不是继续调状态机参数。

本文还有配套的精品资源，点击获取