如今智能语音设备或者机器人很多，如智能手机（例如Cortana，Siri，Ok Google，...），个人助理（例如Google Home，Amazon Echo，...），交互式语音应答（银行，应答机， ......），语音机器人' target='_blank'>语音机器人（电话机器人' target='_blank'>电话机器人、客服机器人、电销机器人，……），在生活中很常见，表现都让人惊喜。同时他们工作原理也大致相同。
　一般智能语音助理或语音机器人工作原理大致如下：
　第一阶段：
　语音到文本的过程。信号源→设备（捕获音频输入）→增强音频输入→检测语音→转换为其他形式（如文本）
　第二阶段：
　响应过程。处理文本（如用NLP处理文本，识别意图）→操作响应。
　在检测语音过程中，就包括分辨是否为语音信号，该过程会通过指定的频率对模拟信号进行采样，将模拟声波转换为数字数据。这一过程很重要，是否成功地识别语音。如果生成数字数据都是错误的，那么后期的处理响应那肯定是错的。这也是影响智能语音助理或语音机器人识别率的重要因素。
　在这个过程，用于语音处理的技术是语音活性检测 (Voice activity detection，VAD)，目的是检测语音信号是否存在。 VAD技术主要用于语音编码和语音识别。它可以简化语音处理，也可用于在音频会话期间去除非语音片段：可以在IP电话应用中避免对静音数据包的编码和传输，节省计算时间和带宽。
　文本将与大家分享VAD技术，首先讲两个概念：
　信噪比（缩写为SNR或S / N）是科学和工程中使用的一种度量，它将所需信号的电平与背景噪声电平进行比较。
　SNR定义为信号功率与噪声功率之比，通常以分贝表示。比率高于1：1（大于0 dB）表示信号多于噪声。
　窗口，研究信号源，我们将其分成滑动窗口或仅窗口。
　编辑

　能量检测器
　能量检测器对于高SNR信号是有效的，但是当SNR下降直到它在1以下变得无效时失去效率。它也不能将语音与诸如冲击噪声（将笔放在桌子上），打字，空调或任何噪声之类的噪声区分开来。比人声更响亮或更响亮。
　波形和频谱分析
　在波形和频谱分析中，语音活动检测利用语音的已知特征。在该方法中应用VAD比基于能量的解决方案更加计算密集，但是能够更好地检测非平稳噪声和低SNR场景中的噪声。