在一段连续的声音信号中，既有语音段，又有非语音段和噪声。在这段连续的语音中，准确识别语音部分、非语言部分是语音检测的一个重要研究内容。关于在噪声背景下将噪声和语音分开，世界各地的研究人员已经提出了许多VAD算法，主要包括最大似然估计[1]、倒谱特性[2]、基于谱熵的低信噪比算法[3]、基于软件计算算法[4]。这些方法在高信噪比下，应用效果很好。在非平稳高斯白噪声[5]情况下语音检测方法还有基于双谱测量算法[6],基于周期测量信息[7]，最小均方误差短时谱幅度估计[14]，时间频率参数等多种方法，不同的应用采用不同的方法。无论哪种方法，其在语音和噪声段的特征参数的概率分布是有重叠的，且这种重叠在噪声环境下会被加剧，所以这些方法的单独使用具有很大的局限性。25846
目前，国内外均没有很好的方法能够适应绝大多数情况下的语音检测，但是研究的热点还是不断提高检测系统的灵敏度和精确性。对VAD算法来说，不断地挑战是使其对于典型音频应用中普遍存在的噪声和环境干扰保持灵敏。为了提高低信噪比情况下的测量精度，科学家提出了很多方案，例如模式识别[4]，自适应能量阈值[5]，三阶统计[6]和周期估计量[7]。总的来说，在VAD算法研究方面人们已经取得了较为喜人的成绩，但是现有的VAD算法仍存在两点不足：一是在较强的环境噪声下，话音活动检测往往会存在大量的误判，不利于后续语音信号处理的进行；二是在高噪声低信噪比情况下不能有效检测出语音信号，这就造成了有效信息的丢失。论文网
以上两个问题也得到了许多科学家和研究学者的重视，通过他们的努力，许多区别噪声和语音的特征参数提了出来，利用这些特征参数可以提高算法的抗噪特性。或者是将几种特征进行组合，利用得到的新的特征来进行话音活动检测，对语音端点的检测门限也从原来的单门限到多门限以及自适应门限，是的话音活动检测的精度得到不断地提高。 话音活动检测发展研究现状:http://www.youerw.com/yanjiu/lunwen_19814.html