摘要
语音活动检测（Voice Activity Detection, VAD）正逐渐成为各类语音处理系统中不可或缺的前端组件。由于这些系统通常部署于噪声类型多样且信噪比（SNR）较低的复杂环境中，因此高效的VAD方法必须具备在嘈杂背景信号中稳健识别语音段落的能力。本文提出了一种基于对抗域适应的VAD方法——ADA-VAD，该方法是一种深度神经网络（DNN）驱动的VAD技术，对不同噪声类型及低信噪比环境下的音频样本具有极强的鲁棒性。所提方法采用监督学习方式训练DNN模型完成VAD任务；同时，为缓解背景噪声导致的性能下降问题，引入对抗域适应机制，以无监督方式实现对噪声音频流与干净音频流之间域差异的匹配。实验结果表明，在AVA-speech数据集上，ADA-VAD相较于使用人工提取特征训练的模型，平均AUC提升3.6个百分点；在使用未见噪声数据库合成的语音数据库上，平均AUC提升达7个百分点。