文章目錄
- 前言
- 一、高斯混合模型介紹
- 1.高斯模型舉例
- 1）定義
- 2）舉例説明
- 2.高斯混合模型(GMM)
- 1）定義
- 2）舉例説明
- 3）一維曲線
- 二、VAD高斯混合模型
- 1.模型訓練介紹
- 1）訓練方法
- 2）訓練結果
- 2.噪聲高斯模型分佈
- 1）matlab代碼
- 2）結果
- 2.人聲高斯模型分佈
- 三、VAD人聲判斷
- 1.高斯分佈計算
- 1）公式
- 2）對應代碼
- 2.人聲判定策略
- 1）判斷機制
- 2）重要閾值確認
- 3）整體流程
- 第一步：計算噪聲/人聲概率分佈
- 第二步：噪聲/人聲比較
- 第三步：判斷單個閾值
- 第四步：全局判定
- 四、模型更新
- 1.計算條件概率
- 2.獲取噪聲基線和均值
- 1）噪聲基線的作用
- 2）確定噪聲基線
- 3）獲取噪聲均值
- 3.更新噪聲均值
- 1）短時更新
- 2）平滑修正
- 3）邊界約束
- 4）策略意義
- 4.更新人聲均值
- 5.更新人聲方差
- 1）更新公式
- 2）代碼解析
- 3）邊界約束
- 6.更新噪聲方差
- 7.模型分離
- 1）計算全局均值
- 2）計算差值
- 3）如果模型太近，強行拉開
- 4）限制模型漂移範圍
- 五、hangover 機制
- 1.策略作用
- 2.整體流程
- 3.對應代碼
- 1）非語音處理
- 2）語音
- 總結
前言
在上一篇文章中，介紹了VAD對於能量的計算原理和策略介紹。本篇文章中講進一步介紹VAD中的人聲/噪聲決策，這是基於高斯混合模型，也就是GMM進行計算的。
本篇文章將會對照源碼、結合圖像進行介紹：
- GMM模型介紹（可以跳過）
- webrtc中VAD的高斯模型（包括來源以及使用）
- 人聲/噪聲決策以及在線更新機制
- hangover機制
本篇文章比較長，可以耐心觀看。
|版本聲明：山河君，未經博主允許，禁止轉載
一、高斯混合模型介紹
如果對於高斯模型很熟悉那麼可以跳過這一節，這裏需要明白的是概率密度、區間概率和條件概率的區別。
1.高斯模型舉例
1）定義
高斯分佈（又叫正態分佈）是一種常見的概率分佈，它的概率密度也叫做似然函數（PDF）是：
為均值：分佈的中心位置，數據大部分集中在它附近。
表示方差：分佈的寬度，數值越大，圖像分佈越平；數值越小，分佈越尖。
而使用高斯分佈計算區間概率公式為：
2）舉例説明
假設有一門數學考試，100 分滿分，有5個學生的成績分別是
- 均值
：
- 方差
那麼現在還有一個學生
- 他的成績為
分的概率帶入公式最終結果為：
- 他的成績在
分之間的概率帶入公式為：
2.高斯混合模型(GMM)
1）定義
GMM 就是多個高斯分佈的加權和，它的概率密度公式是:
：高斯分佈的個數
：每個分佈的權重（比例，所有權重相加 = 1）
：第k 個高斯分佈的均值和方差
：第k個高斯分佈的概率密度函數 (PDF)
而此時我們計算某一個值屬於哪一個高斯分佈的過程叫做條件概率（責任度）：
2）舉例説明
上文中是一個以成績的例子進行計算高斯分佈，但顯然現實中要考慮的因素會更多：
- 一部分學生是學霸
，集中在
分附近
- 一部分學生是普通學生
，集中在
分附近
那麼由此可以得到：
- 學霸羣體：均值
，標準差
，權重
- 普通學生：均值
，標準差
，權重
此時有一個學生成績為70，那麼他的條件概率分別為：
很明顯，該學生大概率屬於普通學生
3）一維曲線
使用matlab畫出曲線
x = linspace(30, 100, 500);
% 學霸羣體參數
mu1 = 85; sigma1 = 5; w1 = 0.3;
pdf1 = w1 * normpdf(x, mu1, sigma1);
% 普通學生羣體參數
mu2 = 65; sigma2 = 10; w2 = 0.7;
pdf2 = w2 * normpdf(x, mu2, sigma2);
% 混合分佈
pdf_mix = pdf1 + pdf2;
% 繪製
figure;
plot(x, pdf1, 'b--', 'LineWidth', 1.5); hold on;
plot(x, pdf2, 'g--', 'LineWidth', 1.5);
plot(x, pdf_mix, 'r-', 'LineWidth', 2);
grid on;
legend('學霸羣體 N(85,5^2)*0.3', ...
'普通學生 N(65,10^2)*0.7', ...
'混合分佈 (GMM)');
title('考試成績的高斯混合模型 (GMM)');
xlabel('成績');
ylabel('概率密度');
二、VAD高斯混合模型
1.模型訓練介紹
1）訓練方法
webrtc關於VAD的高斯混合模型訓練是一種離線訓練，是通過以下幾個步驟得到的：
- 準備數據
- 收集了大量的語音數據（各種語言、男女聲、不同音量）
- 收集了大量的噪聲數據（白噪聲、街道、辦公室、電話線路噪聲等）
- 特徵提取
- 對每一幀音頻（10ms ~ 30ms）提取簡單特徵：子帶能量、總能量、過零率
- 特徵維度很低，不像是MFCC會有多個維度，但適合在嵌入式環境運行
- 擬合高斯分佈
- 把“語音幀特徵”丟進一個高斯混合模型訓練器
- 把“噪聲幀特徵”丟進另一個 GMM 訓練器
- 使用EM算法迭代得到每個分量的均值、方差、權重
- 量化和存儲
- 得到的均值、方差、權重定點數存儲（int16_t），方便在 C 代碼裏運行
- 該套參數固定寫死在代碼表裏，運行時雖然會根據實際情況修改，但不會在運行後進行存儲
由此我們也可以直覺看出來這套模型的明顯的優缺點：
|
特性
|
優點
|
缺點
|
|
計算效率
|
高，適合實時
|
無
|
|
模型複雜度
|
低，易實現
|
表達能力有限
|
|
多模態表示
|
可以區分靜音/語音
|
只適合簡單多模態
|
|
魯棒性
|
可自適應噪聲變化
|
對異常噪聲敏感
|
|
時序建模
|
無
|
需要額外平滑
|
2）訓練結果
webrtc中訓練後的結果是以Q7格式分別存儲在：
kNoiseDataWeights：噪聲的兩個高斯分佈權重，表格中的G0和G1kNoiseDataMeans：噪聲的兩個高斯分佈均值kNoiseDataStds：噪聲的兩個高斯分佈的方差kSpeechDataWeights：噪聲的兩個高斯分佈權重，表格中的G0和G1kSpeechDataMeans：噪聲的兩個高斯分佈均值kSpeechDataStds：噪聲的兩個高斯分佈的方差- G0：低幅度、常見特徵，是頻帶特徵裏的主分量
- G1：高幅度、變化性更大的特徵，是頻帶特徵裏的補充分量
|
頻帶
|
高斯
|
Noise 權重
|
Speech 權重
|
Noise 均值
|
Speech 均值
|
Noise Std
|
Speech Std
|
|
0
|
G0
|
34
|
48
|
6738
|
8306
|
378
|
555
|
|
G1
|
62
|
82
|
4892
|
10085
|
1064
|
505
|
|
|
1
|
G0
|
72
|
45
|
7065
|
10078
|
493
|
567
|
|
G1
|
66
|
87
|
6715
|
11823
|
582
|
524
|
|
|
2
|
G0
|
53
|
50
|
6771
|
11843
|
688
|
585
|
|
G1
|
25
|
47
|
3369
|
6309
|
593
|
1231
|
|
|
3
|
G0
|
94
|
80
|
7646
|
9473
|
474
|
509
|
|
G1
|
66
|
46
|
3863
|
9571
|
697
|
828
|
|
|
4
|
G0
|
56
|
83
|
7820
|
10879
|
475
|
492
|
|
G1
|
62
|
41
|
7266
|
7581
|
688
|
1540
|
|
|
5
|
G0
|
75
|
78
|
5020
|
8180
|
421
|
1079
|
|
G1
|
103
|
81
|
4362
|
7483
|
455
|
850
|
在代碼中，將會在WebRtcVad_InitCore接口中存儲在VadInstT結構體中。
2.噪聲高斯模型分佈
下面將根據具體的參數，畫出6個子帶的兩個高斯分佈G0，G1圖像，然後再根據權重進行G0和G1加權後的高斯混合圖像。
1）matlab代碼
clc; clear; close all;
% 原始 Q7 數據
kNoiseDataMeans_Q7 = [6738, 4892, 7065, 6715, 6771, 3369, 7646, 3863, 7820, 7266, 5020, 4362];
kNoiseDataStds_Q7 = [378, 1064, 493, 582, 688, 593, 474, 697, 475, 688, 421, 455];
kNoiseDataWeights_Q7 = [34, 62, 72, 66, 53, 25, 94, 66, 56, 62, 75, 103];
% 轉為 Q0（浮點）
kNoiseDataMeans = double(kNoiseDataMeans_Q7) / 128;
kNoiseDataStds = double(kNoiseDataStds_Q7) / 128;
kNoiseDataWeights = double(kNoiseDataWeights_Q7); % 權重本身可以直接使用
kTableSize = length(kNoiseDataMeans);
numBands = kTableSize / 2;
figure;
for band = 1:numBands
% 提取 G0, G1 的參數
mean0 = kNoiseDataMeans(2*band-1);
mean1 = kNoiseDataMeans(2*band);
std0 = kNoiseDataStds(2*band-1);
std1 = kNoiseDataStds(2*band);
weight0 = kNoiseDataWeights(2*band-1);
weight1 = kNoiseDataWeights(2*band);
% x 範圍，取 ±4σ
x_min = min(mean0-4*std0, mean1-4*std1);
x_max = max(mean0+4*std0, mean1+4*std1);
x = linspace(x_min, x_max, 500);
% 高斯分佈
G0 = (1/(std0*sqrt(2*pi))) * exp(-0.5*((x-mean0)/std0).^2);
G1 = (1/(std1*sqrt(2*pi))) * exp(-0.5*((x-mean1)/std1).^2);
% 加權混合
Gmix = (weight0*G0 + weight1*G1) / (weight0 + weight1);
% 繪圖
subplot(2,3,band);
plot(x, G0, 'b', 'LineWidth',1.5); hold on;
plot(x, G1, 'r', 'LineWidth',1.5);
plot(x, Gmix, 'k--', 'LineWidth',1.5);
title(['Subband ' num2str(band)]);
legend('G0','G1','G_{mix}');
xlabel('Value'); ylabel('Probability Density');
end2）結果
2.人聲高斯模型分佈
和計算噪聲高斯模型分佈一樣，只需要將matlab中代碼替換即可，這裏就不貼出代碼，直接看結果：
三、VAD人聲判斷
在上一篇文章webrtc之語音活動上——VAD能量檢測原理以及源碼詳解中，我們已經知道了：
- 檢測模式的區別
- 幀長劃分方法
- 6個非等寬頻帶的能量
- 頻帶劃分的意義
1.高斯分佈計算
1）公式
源碼中關於PDF計算使用Q格式運算以保證精度，其計算公式為：
該接口的計算方式少了一個
2）對應代碼
接口名為WebRtcVad_GaussianProbability，以下是參數和返回值：
input：頻帶能量，以Q4格式保存mean：噪聲/人聲的高斯均值，Q7格式std：噪聲/人聲的高斯方差，Q7格式delta：，用於後續更新模型，Q11格式
- 返回值：概率密度，Q20格式
2.人聲判定策略
1）判斷機制
VAD判斷人聲是雙重機制：
- 局部判定： 捕捉某個子帶特別強烈的語音
- 全局判定：要求整體證據夠強
- 最終決策：兩者取 OR，既保證靈敏度，又保證魯棒性
2）重要閾值確認
在設置模式WebRtcVad_set_mode_core接口裏，確定
individual：單個頻帶人聲閾值範圍，用於局部判定total：整體人聲閾值閾值範圍，用於整體
而對於不同幀長再進一步確定閾值，這裏是在GmmProbability真正進行決策的地方進行確定。而對於：
- 短幀10ms：由於信息少，則使用高閾值以避免誤判
- 中等20ms：閾值低，放寬一些
- 長幀30ms：本身信息穩定，為了避免太寬鬆 又設高
除此之外，在進行全局判定時，不同頻帶的權重存儲在kSpectrumWeight中。
值得注意的是，這些閾值的由來是根據大規模實驗 + ROC 曲線分析 + 主觀聽感測試 手工調出來的經驗值。
3）整體流程
第一步：計算噪聲/人聲概率分佈
同一段頻帶語音根據噪聲/人聲的高斯參數，分別進行計算主分量/補充分量的概率分佈，再根據權值計算真正的概率密度，代碼如下：
for (channel = 0; channel < kNumChannels; channel++) {
h0_test = 0;
h1_test = 0;
for (k = 0; k < kNumGaussians; k++) {
gaussian = channel + k * kNumChannels;
tmp1_s32 = WebRtcVad_GaussianProbability(features[channel],
self->noise_means[gaussian],
self->noise_stds[gaussian],
&deltaN[gaussian]);
noise_probability[k] = kNoiseDataWeights[gaussian] * tmp1_s32;
h0_test += noise_probability[k]; // Q27
tmp1_s32 = WebRtcVad_GaussianProbability(features[channel],
self->speech_means[gaussian],
self->speech_stds[gaussian],
&deltaS[gaussian]);
speech_probability[k] = kSpeechDataWeights[gaussian] * tmp1_s32;
h1_test += speech_probability[k]; // Q27
}第二步：噪聲/人聲比較
判斷單個頻帶是否為人聲使用的是似然對數比，也就是
- 避免概率數值太小引起數值問題
- LLR 的加和性質，可以進行多個頻帶綜合判定
值得注意的是：這近似在數幀平均下通常偏差較小，但對極端 / 較小樣本會產生偏差，所以後面通過局部+全局、hangover機制與模型更新來抵消誤判。
這裏的移位操作是為了簡化
shifts_h0 = WebRtcSpl_NormW32(h0_test);
shifts_h1 = WebRtcSpl_NormW32(h1_test);
if (h0_test == 0) {
shifts_h0 = 31;
}
if (h1_test == 0) {
shifts_h1 = 31;
}
log_likelihood_ratio = shifts_h0 - shifts_h1;第三步：判斷單個閾值
如果單個頻帶的信號人聲強烈，將會直接認定為語音，值得注意的是即使判斷為人聲了，還是會接着計算其他頻帶，這是為了更新模型。核心代碼為：
if ((log_likelihood_ratio * 4) > individualTest) {
vadflag = 1;
}第四步：全局判定
這裏分為兩部分
- 根據權重加合
- 整體閾值判斷
其核心代碼如下：
sum_log_likelihood_ratios +=
(int32_t) (log_likelihood_ratio * kSpectrumWeight[channel]);
.......
vadflag |= (sum_log_likelihood_ratios >= totalTest);四、模型更新
在進行模型更新時，需要考慮到平滑處理，所以這裏運用到大量的平滑濾波的思想，見文章語音信號處理三十一——常用的時域/頻域平滑濾波。
1.計算條件概率
首先獲取各個頻帶噪聲/人聲在主分量和補充分量的條件概率，分別存儲在ngprvec和sgprvec中。
如果
h0 = (int16_t) (h0_test >> 12); // Q15
if (h0 > 0) {
tmp1_s32 = (noise_probability[0] & 0xFFFFF000) << 2; // Q29
ngprvec[channel] = (int16_t) WebRtcSpl_DivW32W16(tmp1_s32, h0); // Q14
ngprvec[channel + kNumChannels] = 16384 - ngprvec[channel];
} else {
ngprvec[channel] = 16384;
}2.獲取噪聲基線和均值
1）噪聲基線的作用
WebRTC VAD 和很多能量型 VAD 都是基於一個基本假設：在連續音頻信號中，語音的能量通常高於環境噪聲的能量。
而噪聲基的含義是指：環境噪聲在短時間或一段時間內的平均能量水平或特徵值參考。
2）確定噪聲基線
噪聲基線的獲取是一種中值濾波的思想。在接口WebRtcVad_FindMinimum中，它的大致流程為：
輸入: feature_value, channel, self
┌─► [1] 更新歷史值的年齡
│ ├─ 遍歷16個存儲的最小值
│ ├─ age < 100 → age++
│ └─ age == 100 → 移除該值，數組前移，最後位置填充大數
│
└─► [2] 判斷是否插入新值
├─ feature_value 比數組中的某些值小
│ └─ 找到插入位置 position
│ └─ 從尾部往後移，插入新值，age=1
└─ 否則丟棄（説明它不是最小16個之一）
┌─► [3] 計算當前中位數
│ ├─ frame_counter > 2 → 取 smallest_values[2] (第3小)
│ └─ frame_counter <= 2 → 取 smallest_values[0] (最小值)
│
└─► [4] 平滑更新 mean_value[channel]
├─ 如果 current_median < mean_value → α = 0.2 (快速下降)
└─ 否則 α = 0.99 (緩慢上升)
└─ mean_value[channel] ← α * mean_value[channel] + (1-α) * current_median
[5] 返回 mean_value[channel]這裏可以對照代碼進行理解。
3）獲取噪聲均值
實現主要在WeightedAverage接口內，該接口的使用方法為：
- 輸入主分量和補充分量的均值
- 輸入對應的權重
- 輸出計算後的均值
3.更新噪聲均值
1）短時更新
WebRTC 裏不可能每次都存很多幀再做完整的EM，並且GMM更新中webrtc希望帶權，所以這裏採用的是梯度遞推進行更新，公式為：
：權係數
：當前頻帶當前分量的條件概率
由於篇幅原因，這裏不做推導了，可以看看別的文章，或者可以私信博主
這裏加權是並不希望噪聲平均變化過快。對應代碼為：
static const int16_t kNoiseUpdateConst = 655; // Q15
nmk2 = nmk;
if (!vadflag) {
delt = (int16_t)((ngprvec[gaussian] * deltaN[gaussian]) >> 11);
nmk2 = nmk + (int16_t)((delt * kNoiseUpdateConst) >> 22);
}2）平滑修正
首先會用噪聲基線減去頻帶噪聲均值得到差值，再根據差值進行指數加權移動平均的思想，和當前幀的噪聲均值相加為下一幀的噪聲均值，對應代碼：
ndelt = (feature_minimum << 4) - tmp1_s16;
nmk3 = nmk2 + (int16_t)((ndelt * kBackEta) >> 9);值得注意的是：平滑修正不受vadflag影響
3）邊界約束
即強制噪聲均值不能小於某個最小值，和防止噪聲均值過大，避免它被語音能量無限拉昇。代碼如下：
tmp_s16 = (int16_t) ((k + 5) << 7);
if (nmk3 < tmp_s16) {
nmk3 = tmp_s16;
}
tmp_s16 = (int16_t) ((72 + k - channel) << 7);
if (nmk3 > tmp_s16) {
nmk3 = tmp_s16;
}4）策略意義
對於nmk2會受到
- 短時更新可能受到語音污染，可能偏離真實噪聲基線
- 如果當前幀判定為非噪聲，那麼均值會被
kBackEta慢慢收斂回長期基線
4.更新人聲均值
和更新噪聲均值一樣的梯度更新計算方法，只是區別是：
- 不需要進行長期拉回，因為人聲是特徵動態明顯，不需要噪聲基線作為參考
- 噪聲的限幅控制是為了保證模型穩定，避免漂移到語音區，而人聲限幅是跟隨語音分佈變化，防止過度漂移，所以限幅範圍不同
- 人聲均值向上取整而不是向下取整
smk2 = smk + ((tmp_s16 + 1) >> 1);
5.更新人聲方差
1）更新公式
和上文一樣，這裏採用的是遞推更新：
2）代碼解析
tmp_s16 = ((smk + 4) >> 3);
tmp_s16 = features[channel] - tmp_s16;
tmp1_s32 = (deltaS[gaussian] * tmp_s16) >> 3;
tmp2_s32 = tmp1_s32 - 4096;
tmp_s16 = sgprvec[gaussian] >> 2;
tmp1_s32 = tmp_s16 * tmp2_s32;
tmp2_s32 = tmp1_s32 >> 4;
if (tmp2_s32 > 0) {
tmp_s16 = (int16_t) WebRtcSpl_DivW32W16(tmp2_s32, ssk * 10);
} else {
tmp_s16 = (int16_t) WebRtcSpl_DivW32W16(-tmp2_s32, ssk * 10);
tmp_s16 = -tmp_s16;
}
tmp_s16 += 128; // Rounding.
ssk += (tmp_s16 >> 8);其中：
：來自於
sgprvec：為0.025，代碼中體現在
WebRtcSpl_DivW32W16產生了0.1的分母，sgprvec[gaussian] >> 2產生了4的分母tmp_s16 = ((smk + 4) >> 3)：這裏的加4原因是為了保證右移3位是向上取整保存精度
3）邊界約束
方差值不能小於384
static const int16_t kMinStd = 384;
if (ssk < kMinStd) {
ssk = kMinStd;
}6.更新噪聲方差
和更新人聲方差一樣，區別在於更新步長的大小是根據偏移量決定的，不過範圍大致在0.015～0.02 之間。
7.模型分離
為了防止speech GMM 模型和 noise GMM 模型的均值太接近而粘在一起，需要最終結合兩者進行決策。
1）計算全局均值
noise_global_mean = WeightedAverage(&self->noise_means[channel], 0, &kNoiseDataWeights[channel]);
speech_global_mean = WeightedAverage(&self->speech_means[channel], 0, &kSpeechDataWeights[channel]);- 對每個 channel，把各個高斯分量的均值做加權平均。
- 得到一個 全局 noise 平均值 和一個 全局 speech 平均值。
2）計算差值
diff = (int16_t)(speech_global_mean >> 9) - (int16_t)(noise_global_mean >> 9);- speech 全局均值 − noise 全局均值。
- 如果差值太小，説明兩個模型過於接近
3）如果模型太近，強行拉開
if (diff < kMinimumDifference[channel]) {
tmp_s16 = kMinimumDifference[channel] - diff;
// tmp1_s16 ≈ 0.8 * (缺口)
// tmp2_s16 ≈ 0.2 * (缺口)
// 把 speech 模型整體往上推一點
speech_global_mean = WeightedAverage(&self->speech_means[channel],
tmp1_s16, &kSpeechDataWeights[channel]);
// 把 noise 模型整體往下拉一點
noise_global_mean = WeightedAverage(&self->noise_means[channel],
-tmp2_s16, &kNoiseDataWeights[channel]);
}- 如果 gap 太小，就把 speech 往上推 80%，noise 往下拉 20%，強制保持至少
kMinimumDifference的區分度。 - 這樣避免兩個模型均值重疊，保持判決的魯棒性。
4）限制模型漂移範圍
if (speech_global_mean >> 7 > kMaximumSpeech[channel]) {
// speech 上限
...
}
if (noise_global_mean >> 7 > kMaximumNoise[channel]) {
// noise 上限
...
}作用是給 speech 和 noise 均值設上界，避免模型被極端值推得太遠。
五、hangover 機制
1.策略作用
WebRTC VAD 的hangover 機制，用來在語音剛結束時 延長一小段時間繼續判為語音，避免抖動。
2.整體流程
檢測到語音 → num_of_speech++
├─ 如果 num_of_speech <= kMaxSpeechFrames → over_hang = overhead1
└─ 如果 num_of_speech > kMaxSpeechFrames → over_hang = overhead2
檢測到非語音
├─ 如果 over_hang > 0 → 繼續輸出語音, over_hang--
└─ 如果 over_hang = 0 → 輸出靜音其中：
- overhead1：給短語音的尾巴加一點點餘量。
- overhead2：給長語音的尾巴加更長的餘量。
- num_of_speech：用來區分當前語音段的“長/短”。
- over_hang：用來平滑語音和靜音的切換，防止“斷斷續續”
3.對應代碼
1）非語音處理
if (!vadflag) {
if (self->over_hang > 0) {
vadflag = 2 + self->over_hang;
self->over_hang--;
}
self->num_of_speech = 0;
}- 但 hangover 計數器
over_hang > 0：説明前面剛有語音 → 進入“延長語音”階段
- 把 vadflag 設置為
2 + self->over_hang（這裏 2 是特殊標記，表明這不是直接檢測出的語音，而是 hangover 延長出來的語音） over_hang--：計數器遞減
- 否則就徹底當作 silence
num_of_speech = 0：清零語音幀計數器
2）語音
else {
self->num_of_speech++;
if (self->num_of_speech > kMaxSpeechFrames) {
self->num_of_speech = kMaxSpeechFrames;
self->over_hang = overhead2;
} else {
self->over_hang = overhead1;
}
}num_of_speech++：累計連續語音幀數- 如果超過
kMaxSpeechFrames（最大語音幀數限制）：
- 把
num_of_speech固定到上限 over_hang = overhead2（長的 hangover 時間）
- 否則：
over_hang = overhead1（短的 hangover 時間）
總結
WebRTC VAD 展示了一個典型的“經典信號處理 + 工程優化”方案：
- 在特徵層面，採用子帶能量的對數刻畫，使得語音與噪聲分佈更接近高斯；
- 在模型層面，使用固定參數的雙高斯混合模型，結合局部和全局判決，提高魯棒性；
- 在實現層面，大量利用 Q 格式、移位近似、預計算表，保證了低算力環境下的實時性；
- 在動態性上，通過逐幀更新和邊界約束，使模型能逐漸適應環境變化。
當然，這種基於 GMM 的方法也有侷限：在強噪聲、非平穩噪聲環境下可能誤判，且閾值調優高度依賴經驗。隨着算力提升，DNN/RNN 基的 VAD 在魯棒性上表現更優，但代價是更高的複雜度與延遲。
