EP1267325A1 - Process for voice activity detection in a signal, and speech signal coder comprising a device for carrying out the process - Google Patents

Abstract

• Prendre la décision « voix » sitôt qu'il y a une augmentation de l'énergie du signal par rapport à la trame précédant la trame courante, même si cette augmentation est faible.
• Prendre la décision « bruit » seulement si les caractéristiques du signal corespondent aux caractéristiques du bruit pendant au moins i trames de suite (i=6 par exemple).

This method makes it possible to detect voice activity in a signal by smoothing the “voice” or “noise” decision to avoid losing speech segments. This process is particularly suitable for cases where the noise level is high. Unlike the known method which promotes the optimization of traffic, this method promotes the intelligibility of the signal restored after decoding. The signal to be coded is divided into frames. An initial decision, "voice" or "noise", is made for each signal frame. The process consists of:

• Take the “voice” decision as soon as there is an increase in signal energy compared to the frame preceding the current frame, even if this increase is small.
• Take the “noise” decision only if the characteristics of the signal correspond to the characteristics of the noise for at least i consecutive frames (i = 6 for example).

Application to telephony.

Description

The invention relates to a voice signal encoder comprising a device improved voice activity detection, and in particular an encoder conforming to the ITU-T G.729A standard, annex B.

A voice signal has up to 60% silence or background noise. To reduce the amount of information to be transmitted, it is known to discriminate the voice signal portions that actually contain useful signals and the portions that contain only silence or noise; and code them respectively according to two different algorithms, each portion which contains that silence or noise being coded with very little information representing the characteristics of ambient noise. Such an encoder includes a device for voice activity detection which realizes this discrimination according to spectral characteristics and according to the energy of the voice signal to be coded (calculated on each signal frame).

The voice signal is divided into digital frames corresponding to a duration of 10ms, for example. For each frame, a set of parameters is extract the signal. The main parameters are auto coefficients correlation. A set of linear prediction coding coefficients, and a set of frequency parameters are then deduced from these auto coefficients correlation. One of the steps in the signal portion discrimination process voice that actually contain useful signals and portions that don't contain only silence or noise is to compare the energy of a signal frame with a threshold. A device for calculating the threshold value adapts the threshold value as a function of noise variations. Noise affecting the signal vocal is composed of noise of electrical origin and ambient noise. This last can increase or decrease significantly during the same communication. On the other hand, frequency noise filtering coefficients must also be adapted to variations in noise.

The article “ITU-T Recommendation G729 Annex B: A Silence Compression Scheme for Use With G729 Optimized for V.70 Digital Simultaneous Voice and Data Applications ”, by Adil Benyassine et al, IEEE Communication Magazine, September 1997, describes such an encoder.

The decoder responsible for decoding the coded voice signal must use alternately two corresponding decoding algorithms respectively to signal portions encoded as voice and to signal portions encoded like silence or background noise. The transition from one algorithm to another is synchronized by the information coding the periods of silence or noise.

Known coders that implement the ITU-T G.729A standard, appendix B, 11/96, are no longer able to distinguish between the wanted signal and the noise when the noise level is greater than 8000 steps of the quantification defined by this standard. This results in many transitions of the voice activity detection signal, and therefore the loss of portions of the useful signal.

We know a solution described in the contribution G.723.1 VAD and which consists in completely inhibiting the detection of voice activity in the coder, when the signal-to-noise ratio is less than a predetermined value. This solution preserves the integrity of the useful signal but has the disadvantage to increase traffic.

The object of the invention is to propose a more effective solution, which preserves the effectiveness of voice activity detection in terms of traffic, but which does not affect the quality of the signal reproduced after decoding.

• la décision initiale pour la trame n est « voix » ;
• et la décision définitive pour la trame n-2 était « bruit » ;
• et l'énergie de la trame n-1 était supérieure à celle de la trame n-2 ;
• et l'énergie de la trame n est supérieure à l'énergie de la frame n-2.

The object of the invention is a method for detecting voice activity in a signal, this signal being divided into frames, and this method comprising a step of smoothing an initial decision, "voice" or "noise", taken for each frame; characterized in that this smoothing step comprises a step which consists in making a final "voice" decision, for the frame n, if:

• the initial decision for frame n is "voice";
• and the final decision for frame n-2 was "noise";
• and the energy of frame n-1 was greater than that of frame n-2;
• and the energy of frame n is greater than the energy of frame n-2.

The process thus characterized avoids an undesirable “noise” transition towards "Voice" during an increase in transient energy during frame n only, because the smoothing function takes into account the final decision taken for frame n-1 preceding the current frame n, to decide on a transition from "noise" to "voice".

According to a preferred embodiment, if a final “voice” decision has been made for frame n, the method according to the invention furthermore consists in preventing any final “noise” decision for frames n + 1 to n + i where i is an integer defining a duration of inertia.

The process thus characterized avoids the phenomenon of loss of segments speech because the smoothing function has an inertia corresponding to the duration of i frames, for returning to a “noise” decision.

The subject of the invention is also a voice signal coder comprising smoothing means for implementing the method according to the invention.

• La figure 1 représente le schéma fonctionnel d'un exemple de réalisation de codeur pour la mise en oeuvre du procédé selon l'invention.
• La figure 2 représente l'organigramme de la prise de décision « voix » / « bruit » selon le procédé de codage connu par la norme G.729 annexe B, 11/96.
• La figure 3 représente de manière plus détaillée les opérations de lissage du signal de détection d'activité vocale, selon le procédé de codage connu par la norme G.729 annexe B, 11/96.
• La figure 4 représente l'organigramme d'un exemple de mise en oeuvre du lissage du signal de détection d'activité vocale, dans le procédé selon l'invention.

The invention will be better understood and other characteristics will appear with the aid of the description below and the accompanying figures:

• FIG. 1 represents the functional diagram of an exemplary embodiment of an encoder for implementing the method according to the invention.
• FIG. 2 represents the flowchart of the “voice” / “noise” decision making according to the coding method known by the standard G.729 annex B, 11/96.
• FIG. 3 shows in more detail the smoothing operations of the voice activity detection signal, according to the coding method known by standard G.729 annex B, 11/96.
• FIG. 4 represents the flow chart of an example of implementation of the smoothing of the voice activity detection signal, in the method according to the invention.

FIG. 5 represents respectively the percentages of errors with the known method and with the method according to the invention, for different values of the signal to noise ratio.

Figure 6 shows the percentages of speech loss with the known method and with the method according to the invention, for different values of the signal to noise ratio.

• une borne d'entrée 1 recevant, sous forme analogique, un signal vocal à coder ;
• un circuit 2 pour filtrer, échantillonner, quantifier, et mettre dans des trames, le signal vocal ;
• un commutateur 3 ayant une entrée reliée à la sortie du circuit 2, et deux sorties ;
• un circuit 4 de codage des trames considérées comme représentant véritablement un signal utile, ayant une entrée reliée à une première sortie du commutateur 3 ;
• un circuit 5 de codage des trames considérées comme représentant du silence ou du bruit, ayant une entrée reliée à une second sortie du commutateur 3;
• un second commutateur 6 ayant : une première et une seconde entrée reliées respectivement à une sortie du circuit 4 et à une sortie du circuit 5, et une borne de sortie 9 constituant la borne de sortie du codeur ;
• et un détecteur 7 d'activité vocal ayant une entrée reliée à la sortie du circuit 2 et une sortie reliée notamment à une entrée de commande de chacun des commutateurs 3 et 6, afin de sélectionner les trames codées correspondant au contenu reconnu dans le signal vocal : soit signal utile, soit silence (ou bruit).

The embodiment of an encoder, the functional diagram of which is shown in FIG. 1 comprises:

• an input terminal 1 receiving, in analog form, a voice signal to be coded;
• a circuit 2 for filtering, sampling, quantifying, and putting in frames, the voice signal;
• a switch 3 having an input connected to the output of circuit 2, and two outputs;
• a circuit 4 for coding the frames considered to truly represent a useful signal, having an input connected to a first output of the switch 3;
• a circuit 5 for coding the frames considered to represent silence or noise, having an input connected to a second output of the switch 3;
• a second switch 6 having: a first and a second input connected respectively to an output of circuit 4 and to an output of circuit 5, and an output terminal 9 constituting the output terminal of the encoder;
• and a voice activity detector 7 having an input connected to the output of circuit 2 and an output linked in particular to a control input of each of the switches 3 and 6, in order to select the coded frames corresponding to the content recognized in the voice signal : either useful signal or silence (or noise).

When the voice signal is a useful signal, the coder provides a frame every 10 ms. When the voice signal consists of silence (or noise), the encoder provides a single frame, at the start of the period of silence (or noise).

In practice, such an encoder can be produced by means of a processor. suitably programmed. In particular, the method according to the invention can be implemented by software whose realization is within the reach of man art.

FIG. 2 represents the flowchart of the decision making “voice” or “noise”, according to the coding method known by the standard G.729 appendix B, 11/96. The method is applied to digitized signal frames having a fixed duration of 10 ms.

A first step 11 consists in extracting four parameters for the current frame of the signal to be coded: the energy of this frame in the whole band of frequencies, the energy of this frame in the low frequencies, a set of spectral coefficients, and the rate of zero crossings.

The next step 12 consists in updating the minimum size of a buffer memory.

• S'il est inférieur à Ni :
  • L'étape suivante 14 consiste à initialiser les valeurs des moyennes glissantes des paramètres du signal à coder: Les coefficients spectraux ; l'énergie moyenne dans toute la bande ; l'énergie moyenne dans les fréquences basses ; et le taux moyen de passages à zéro.
  • Puis une étape 15 consiste à comparer l'énergie de la trame à une valeur de seuil prédéterminée, pour décider que le signal est de la voix si l'énergie de la trame est supérieure à cette valeur, ou décider que le signal est du bruit si l'énergie de la trame est inférieure à cette valeur. Le traitement de la trame courante atteint alors sa fin 16.
• Si le numéro de trame n'est pas inférieur à Ni, une étape suivante 17 consiste à déterminer s'il est égal ou s'il est supérieur à Ni :
  • s'il est égal à Ni, une étape suivante 18 consiste à initialiser la valeur de l'énergie moyenne du bruit dans toute la bande et la valeur de l'énergie moyenne du bruit dans les basses fréquences.
  • S'il est supérieur à Ni :
    • une étape suivante 19 consiste à calculer un jeu de paramètres différences, en soustrayant la valeur courante d'un paramètre de trame à la valeur moyenne glissante de ce paramètre de trame, cette dernière étant représentative du bruit. Ces paramètres différences sont: la distorsion spectrale, la différence d'énergie dans toute la bande, la différence d'énergie dans les basses fréquences, et la différence des taux de passage à zéro.
    • Une étape suivante 20 consiste à comparer l'énergie de la trame à une valeur de seuil prédéterminée :
      • Si elle n'est pas inférieure à cette valeur, une étape 21 consiste à prendre une décision initiale («voix» ou « bruit ») basée sur une pluralité de critères, puis une étape 22 consiste à « lisser » cette décision pour éviter de trop nombreux changements de décision.
      • Si elle est inférieure ou égale à cette valeur, une étape 23 consiste à décider que le signal est du bruit, puis l'étape 22 consiste à « lisser » cette décision.
  • Après l'étape 22 de lissage, une étape suivante 24 consiste à comparer l'énergie de la trame courante avec un seuil adaptatif égal à la moyenne glissante de l'énergie dans toute la bande, augmentée d'une constante :
    • Si elle est supérieure à la valeur de seuil, une étape suivante 25 consiste à mettre à jour les valeurs des moyennes glissantes des paramètres représentatifs du bruit, puis le traitement de la trame courante atteint la fin 26.
    • Si elle n'est pas supérieure à la valeur de seuil, le traitement de la trame courante atteint la fin 27.

The next step 13 consists in comparing the number of the current frame with a predetermined value Ni:

• If it is less than Ni:
  • The next step 14 consists in initializing the values of the sliding means of the parameters of the signal to be coded: The spectral coefficients; average energy across the band; the average energy in the low frequencies; and the average rate of zero crossings.
  • Then a step 15 consists in comparing the energy of the frame with a predetermined threshold value, to decide that the signal is voice if the energy of the frame is greater than this value, or to decide that the signal is noise if the energy of the frame is less than this value. The processing of the current frame then reaches its end 16.
• If the frame number is not less than Ni, a next step 17 consists in determining whether it is equal or if it is greater than Ni:
  • if it is equal to Ni, a next step 18 consists in initializing the value of the average noise energy in the whole band and the value of the average noise energy in the low frequencies.
  • If it is greater than Ni:
    • a next step 19 consists in calculating a set of difference parameters, by subtracting the current value of a frame parameter from the sliding average value of this frame parameter, the latter being representative of the noise. These difference parameters are: spectral distortion, energy difference across the band, energy difference at low frequencies, and difference in zero crossing rates.
    • A next step 20 consists in comparing the energy of the frame with a predetermined threshold value:
      • If it is not less than this value, a step 21 consists in making an initial decision (“voice” or “noise”) based on a plurality of criteria, then a step 22 consists in “smoothing” this decision to avoid too many decision changes.
      • If it is less than or equal to this value, a step 23 consists in deciding that the signal is noise, then step 22 consists in "smoothing" this decision.
  • After the smoothing step 22, a next step 24 consists in comparing the energy of the current frame with an adaptive threshold equal to the sliding average of the energy in the whole band, increased by a constant:
    • If it is greater than the threshold value, a next step 25 consists in updating the values of the sliding averages of the parameters representative of the noise, then the processing of the current frame reaches the end 26.
    • If it is not greater than the threshold value, the processing of the current frame reaches the end 27.

• Une première étape consiste en un test 31 pour prendre la décision « voix » si :
  • la décision pour la trame précédente était « voix »,
  • et l'énergie moyenne de la trame courante est supérieure à la moyenne glissante de l'énergie des trames précédentes, augmentée d'une constante, autrement dit si l'énergie de la trame courante est nettement supérieure à l'énergie moyenne du bruit.
     Dans le cas contraire, la décision « bruit » 42 est prise définitivement.
• Une deuxième étape 32 à 35 consiste en un test 32 pour confirmer la décision « voix » si :
  • la décision pour les deux trames précédentes était « voix »,
  • et l'énergie moyenne de la trame courante est supérieure à la moyenne glissante de l'énergie de la trame précédente, augmentée d'une constante, autrement dit si l'énergie n'a pas beaucoup diminué de la trame précédente à la trame courante.
  Cette deuxième étape consiste en outre à incrémenter un compteur (opération 33), puis comparer son contenu à la valeur 4 (opération 34), puis à désactiver (opération 35) ce test 32 pour la prochaine trame, si la trame courante est la quatrième trame d'affilée pour laquelle la décision est « voix ». Si la décision « voix » n'est pas confirmée, la décision « bruit » 42 est prise définitivement.
• Une troisième étape 36 à 39 consiste en un test 36 pour prendre la décision « bruit » 42 définitivement si :
  • Une décision « bruit » a été prise pour les dix trames précédant la trame courante (la décision « voix » ayant été prise pour celle-ci dans les étapes 31-35).
  • L'énergie de la trame courante est inférieure à l'énergie de la trame précédente augmentée d'une constante, autrement dit l'énergie n'a pas beaucoup augmenté de la trame précédente à la trame courante.
    Cette troisième étape consiste en outre à réinitialiser (opération 37) le test 36 en réinitialisant le comptage des trames (opération 39), si la trame courante est la dixième trame d'affilée pour laquelle la décision est « bruit » (test 38).
• Une quatrième étape consiste en un test 40 prendre la décision « bruit » 42 définitivement si l'énergie de la trame courante est inférieure à la somme de la moyenne glissante de l'énergie des trames précédentes, augmentée d'une constante égale à 614. Autrement dit, la décision « voix » n'est confirmée définitivement (opération 41) que si l'énergie de la trame est nettement supérieure à la moyenne glissante de l'énergie des trames précédentes. Dans le cas contraire, la décision « bruit» 42 est prise définitivement. Cette quatrième étape 40 (décision finale) fournit de mauvaises décisions « bruit » lorsque le signal est fortement bruité. En effet, cette étape 40 décide que le signal est du bruit sans tenir compte des décisions qui précédent, mais en se basant simplement sur la différence d'énergie entre la trame courante et le bruit de fond, représenté par la valeur de la moyenne glissante de l'énergie des trames précédentes, augmentée de la constante 614. En fait, lorsque le bruit de fond est élevé, le seuil constitué par cette constante 614 n'est plus valable.Le procédé selon l'invention se distingue du procédé connu par la norme G.279.1, Annexe B, 11/96, au niveau des étapes de lissage.La figure 4 représente l'organigramme d'un exemple de mise en oeuvre du lissage du signal de détection d'activité vocale, dans le procédé selon l'invention. Ce lissage comporte quatre étapes, qui suivent la prise de décision initiale 21 («voix» ou « bruit ») basée sur une pluralité de critères. Parmi ces quatre étapes, trois étapes (tests 131, 132, 136) sont analogues à trois étapes décrites ci-dessus (tests 31, 32, 36); la quatrième étape 40 décrite précédemment est supprimée ; et une étape dite préliminaire est rajoutée avant la première étape 31 décrite ci-dessus. Un comptage dit d'inertie est rajouté pour obtenir une inertie d'une durée égale à cinq fois la durée d'une trame, par exemple, avant de changer la décision « voix » en décision « bruit» lorsque l'énergie de la trame est devenue faible. Cette durée est donc égale à 50 ms dans cet exemple. Ce comptage d'inertie n'est actif que lorsque l'énergie moyenne du bruit devient supérieure à à 8000 échelons de l'échelle de quantification définie par la norme G.279.1, Annexe B, 11/96.
• L'étape préliminaire 101 à 104 rajoutée consiste à :
  • Si la décision initiale de l'étape 21 est «voix», initialiser à 0 le compteur d'inertie (opérations 102) et enfin passer au test 131.
  • Si la décision initiale de l'étape 21 est « bruit », déterminer si l'énergie de la trame courante est supérieure à une valeur de seuil fixée, et déterminer si le contenu du compteur d'inertie est inférieur à 6 et supérieur à 1 (opération 103). Puis :
    • Prendre la décision « voix » (en contradiction avec la décision initiale) si ces deux conditions sont remplies, puis incrémenter le compteur d'inertie d'une unité (opération 104) et enfin passer au test 131.
    • Ou prendre la décision « bruit » 142 définitivement si l'une de ces conditions n'est pas remplie.
• La première étape consiste en un test 131 (analogue au test 31) qui consiste à maintenir la décision « voix » si la décision précédente était « voix » et l'énergie moyenne de la trame courante est supérieure à la moyenne glissante de l'énergie des trames précédentes, augmentée d'une constante fixée.
• La deuxième étape 132 à 135 (analogue à l'étape 32 à 35) consiste à prendre la décision « voix » si :
  • la décision pour les deux trames précédentes était « voix »,
  • et l'énergie moyenne de la trame courante est supérieure à la moyenne glissante de l'énergie de la trame précédente, augmentée d'une constante, autrement dit si l'énergie n'a pas beaucoup diminué de la trame précédente à la trame courante.
    Cette deuxième étape 132 à 135 consiste en outre à désactiver ce test pour la prochaine trame, si la trame courante est la quatrième trame d'affilée pour laquelle la décision est «voix» (Incrémentation 133 d'un compteur, comparaison 134 de son contenu avec la valeur 4, et désactivation 135 si la valeur 4 est atteinte).
• La troisième étape 136 à 139, 143 (peu différente de l'étape 36 à 39) consiste à prendre la décision « bruit » 142 définitivement si :
  • Une décision « bruit » a été prise pour les dix dernières trames ;
  • et l'énergie de la trame courante est inférieure à l'énergie de la trame précédente augmentée d'une constante, autrement dit si l'énergie n'a pas beaucoup augmenté de la trame précédente à la trame courante.
    Cette troisième étape consiste en outre à réinitialiser ce test 136 en réinitialisant le comptage des trames, si la trame courante est la dixième trame d'affilée pour laquelle la décision est « bruit » (Incrémentation 137 d'un compteur, comparaison 138 du contenu de ce compteur avec la valeur 10, réinitialisation 139 de ce compteur à 0 si la valeur 10 est atteinte). La troisième étape est modifié par rapport au procédé connu décrit précédemment, parce qu'elle consiste en outre à forcer le compteur d'inertie à la valeur 6 (opération 143) pour éviter toute interaction entre ce test 136 et le compteur d'inertie.
• Il n'y a pas de quatrième étape analogue à l'étape 40.

FIG. 3 shows in more detail the smoothing operations of the voice activity detection signal, according to the coding method known by standard G.729 annex B, 11/96. This smoothing comprises four stages, which follow the initial decision making 21 (“voice” or “noise”) based on a plurality of criteria:

• A first step consists of a test 31 to make the “voice” decision if:
  • the decision for the previous frame was "voice",
  • and the average energy of the current frame is greater than the sliding average of the energy of the previous frames, increased by a constant, in other words if the energy of the current frame is significantly higher than the average energy of the noise.
  Otherwise, the “noise” decision 42 is taken definitively.
• A second step 32 to 35 consists of a test 32 to confirm the “voice” decision if:
  • the decision for the two previous frames was "voice",
  • and the average energy of the current frame is greater than the sliding average of the energy of the previous frame, increased by a constant, in other words if the energy has not decreased much from the previous frame to the current frame .
  This second step also consists of incrementing a counter (operation 33), then comparing its content to the value 4 (operation 34), then deactivating (operation 35) this test 32 for the next frame, if the current frame is the fourth frame in a row for which the decision is "voice". If the “voice” decision is not confirmed, the “noise” decision 42 is taken definitively.
• A third step 36 to 39 consists of a test 36 to make the “noise” decision 42 definitively if:
  • A “noise” decision has been taken for the ten frames preceding the current frame (the “voice” decision having been taken for the latter in steps 31-35).
  • The energy of the current frame is less than the energy of the previous frame increased by a constant, in other words the energy has not increased much from the previous frame to the current frame.
    This third step also consists in reinitializing (operation 37) the test 36 by reinitializing the counting of the frames (operation 39), if the current frame is the tenth frame in a row for which the decision is “noise” (test 38).
• A fourth step consists of a test 40 making the “noise” decision 42 definitively if the energy of the current frame is less than the sum of the sliding average of the energy of the previous frames, increased by a constant equal to 614. In other words, the "voice" decision is only definitively confirmed (operation 41) if the energy of the frame is significantly higher than the sliding average of the energy of the previous frames. Otherwise, the “noise” decision 42 is taken definitively. This fourth step 40 (final decision) provides bad “noise” decisions when the signal is very noisy. In fact, this step 40 decides that the signal is noise without taking into account the preceding decisions, but simply based on the energy difference between the current frame and the background noise, represented by the value of the sliding average. of the energy of the previous frames, increased by the constant 614. In fact, when the background noise is high, the threshold constituted by this constant 614 is no longer valid. The process according to the invention is distinguished from the process known by standard G.279.1, Annex B, 11/96, at the level of the smoothing steps. FIG. 4 represents the flow diagram of an example of implementation of the smoothing of the voice activity detection signal, in the method according to the invention. This smoothing comprises four stages, which follow the initial decision making 21 (“voice” or “noise”) based on a plurality of criteria. Among these four stages, three stages (tests 131, 132, 136) are analogous to the three stages described above (tests 31, 32, 36); the fourth step 40 described above is omitted; and a so-called preliminary step is added before the first step 31 described above. A so-called inertia count is added to obtain an inertia of a duration equal to five times the duration of a frame, for example, before changing the “voice” decision to a “noise” decision when the energy of the frame became weak. This duration is therefore equal to 50 ms in this example. This inertia counting is only active when the average noise energy becomes greater than 8000 steps of the quantization scale defined by standard G.279.1, Annex B, 11/96.
• The preliminary step 101 to 104 added consists of:
  • If the initial decision in step 21 is "voice", initialize the inertia counter to 0 (operations 102) and finally go to test 131.
  • If the initial decision of step 21 is “noise”, determine if the energy of the current frame is greater than a fixed threshold value, and determine if the content of the inertia counter is less than 6 and greater than 1 (operation 103). Then:
    • Take the “voice” decision (in contradiction with the initial decision) if these two conditions are met, then increment the inertia counter by one unit (operation 104) and finally pass to test 131.
    • Or take the noise decision 142 definitively if one of these conditions is not met.
• The first step consists of a test 131 (similar to test 31) which consists in maintaining the “voice” decision if the previous decision was “voice” and the average energy of the current frame is greater than the sliding average of the energy. previous frames, plus a fixed constant.
• The second step 132 to 135 (analogous to step 32 to 35) consists in making the "voice" decision if:
  • the decision for the two previous frames was "voice",
  • and the average energy of the current frame is greater than the sliding average of the energy of the previous frame, increased by a constant, in other words if the energy has not decreased much from the previous frame to the current frame .
    This second step 132 to 135 also consists in deactivating this test for the next frame, if the current frame is the fourth frame in a row for which the decision is "voice" (Increment 133 of a counter, comparison 134 of its content with the value 4, and deactivation 135 if the value 4 is reached).
• The third step 136 to 139, 143 (little different from step 36 to 39) consists in making the “noise” decision 142 definitively if:
  • A noise decision has been made for the last ten frames;
  • and the energy of the current frame is less than the energy of the previous frame increased by a constant, in other words if the energy has not increased much from the previous frame to the current frame.
    This third step also consists in reinitializing this test 136 by reinitializing the counting of the frames, if the current frame is the tenth frame in a row for which the decision is “noise” (increment 137 of a counter, comparison 138 of the content of this counter with the value 10, reset 139 of this counter to 0 if the value 10 is reached). The third step is modified compared to the known method described above, because it also consists in forcing the inertia counter to the value 6 (operation 143) to avoid any interaction between this test 136 and the inertia counter.
• There is no fourth step analogous to step 40.

In FIG. 5, the curves E1 and E2 respectively represent the percentages of errors with the known method and with the method according to the invention, for different values of the signal to noise ratio.

In FIG. 6, the curves L1 and L2 respectively represent the percentages of speech losses with the known method and with the method according to the invention, for different values of the signal to noise ratio.

They show that the behavior of voice activity detection is largely improved in noisy surroundings. The overall error percentage decreases, and, above all, the percentage of lost speech is considerably reduced. Speech integrity is preserved and the conversation remains understandable.

Claims (6)

Method for detecting voice activity in a signal, this signal being divided into frames, and this method comprising a step of smoothing an initial decision, "voice" or "noise", taken for each frame; characterized in that this smoothing step includes a step which consists in making a final "voice" decision, for the n-th frame, if: the initial decision for frame n is "voice"; and the final decision for frame n-2 was "noise"; and the energy of frame n-1 was greater than that of frame n-2; and the energy of frame n is greater than the energy of frame n-2. Method according to claim 1, characterized in that , if a final "voice" decision has been taken for the frame n, it also consists in preventing any final "noise" decision for the frames n + 1 to n + i where i is an integer defining a duration of inertia. Method according to claim 1, characterized in that this smoothing step comprises a step which consists, for a frame n, of: If the initial decision is “voice”, initialize an inertia counter (102) to 0. If the initial decision is "noise", determine if the energy of the frame n is greater than a threshold value, and determine if the content of the inertia counter is less than a fixed threshold, and greater than one (103) . Then: Take the “voice” decision if these three conditions are met, then increment the inertia counter by one unit (104). Or take the “noise” decision if one of these conditions is not met. Voice signal coder comprising a voice activity detection device, this signal being divided into frames, and this device comprising means for smoothing an initial decision, “voice” or “noise”, taken for each frame; characterized in that these smoothing means comprise means for making a final “voice” decision, for the n-th frame, if: the initial decision for frame n is "voice"; and the final decision for frame n-2 was "noise"; and the energy of frame n-1 was greater than that of frame n-2; and the energy of frame n is greater than the energy of frame n-2. Encoder according to claim 4, characterized in that the smoothing means comprise means for preventing any final "noise" decision for the frames n + 1 to n + i where i is an integer defining a duration of inertia, if a final decision "voice" was taken for frame n. Encoder according to claim 4, characterized in that the smoothing means include means for: If the initial decision is "voice" for frame n, initialize an inertia counter (102) to 0. If the initial decision is “noise”, determine if the energy of the frame n is greater than a threshold value, and determine if the content of the inertia counter is less than a fixed threshold and is greater than one (103) . Then: Take the “voice” decision if these three conditions are met, then increment the inertia counter by one unit (104). Or take the “noise” decision if one of these conditions is not met.

Images