如今智能語音設備或者機器人很多，如智慧型手機（例如Cortana，Siri，Ok Google，...），個人助理（例如Google Home，Amazon Echo，...），交互式語音應答（銀行，應答機， ......），語音機器人（電話機器人、客服機器人、電銷機器人，……），在生活中很常見，表現都讓人驚喜。同時他們工作原理也大致相同。
一般智能語音助理或語音機器人工作原理大致如下：
第一階段：語音到文本的過程。信號源→設備（捕獲音頻輸入）→增強音頻輸入→檢測語音→轉換為其他形式（如文本）
第二階段：響應過程。處理文本（如用NLP處理文本，識別意圖）→操作響應。
在檢測語音過程中，就包括分辨是否為語音信號，該過程會通過指定的頻率對模擬信號進行採樣，將模擬聲波轉換為數字數據。這一過程很重要，是否成功地識別語音。如果生成數字數據都是錯誤的，那麼後期的處理響應那肯定是錯的。這也是影響智能語音助理或語音機器人識別率的重要因素。
在這個過程，用於語音處理的技術是語音活性檢測 (Voice activity detection，VAD)，目的是檢測語音信號是否存在。 VAD技術主要用於語音編碼和語音識別。它可以簡化語音處理，也可用於在音頻會話期間去除非語音片段：可以在IP電話應用中避免對靜音數據包的編碼和傳輸，節省計算時間和帶寬。
文本將與大家分享VAD技術，首先講兩個概念：
信噪比（縮寫為SNR或S / N）是科學和工程中使用的一種度量，它將所需信號的電平與背景噪聲電平進行比較。SNR定義為信號功率與噪聲功率之比，通常以分貝表示。比率高於1：1（大於0 dB）表示信號多於噪聲。
窗口，研究信號源，我們將其分成滑動窗口或僅窗口。
能量檢測器
能量檢測器對於高SNR信號是有效的，但是當SNR下降直到它在1以下變得無效時失去效率。它也不能將語音與諸如衝擊噪聲（將筆放在桌子上），打字，空調或任何噪聲之類的噪聲區分開來。比人聲更響亮或更響亮。
波形和頻譜分析
在波形和頻譜分析中，語音活動檢測利用語音的已知特徵。在該方法中應用VAD比基於能量的解決方案更加計算密集，但是能夠更好地檢測非平穩噪聲和低SNR場景中的噪聲。對於濁音音素，聲帶的振動產生諧波豐富的聲音，具有50到250 Hz之間的明顯音調。所有元音，但也有一些輔音，表現出這種諧波結構，因此是語音的特徵。代表諧波結構的特徵是語音的可靠指標。然而，單獨使用基於諧度或基於音調的特徵不能預期無聲語音部分（例如一些摩擦音）被檢測到。此外，音樂或其他諧波噪聲分量可能被誤解為語音。總的來說，對信號的倒譜的分析可以揭示信號能量的來源。同樣的，基於該共振峰結構，也是語音識別系統的重要特徵。人類聲道中的可變腔允許揚聲器形成不同的音素。強調諧振（或共振峰）頻率，導致頻譜包絡的特徵形狀。平滑很重要，在一個對話中，一個人只有50％的時間在說話，並且存在大量非活動幀。諸如[p] [t] [k] [b]之類的音是靜音，並且靜音部分可能不會被算法識別為語音，這將影響自動語音識別系統的性能。解決方案如下：要被視為語音，必須至少有3個連續的窗口標記語音（192ms）。它可以防止短暫的噪音被視為語音。要被認為是沉默，必須至少連續3個窗口標記為靜音。它可以防止過多的語音切入影響語音節奏。如果窗口被認為是語音，則前3個窗口和3個窗口被認為是語音。它可以防止在句子開頭和結尾丟失信息。基於統計分析
MFCC，FBANK，PLP是最常用的語音識別功能。有數學運算的連接，旨在通過保持最相關的數據來減少和壓縮信息的數量。
在「信號源→設備（捕獲音頻輸入）→增強音頻輸入→檢測語音」過程中，語音成功採樣識別為數字數據，是後期語言處理的前提，在檢測中文面臨更大挑戰，斷句、語氣、語調等因素直接影響識別率。