1. 引言

1.1 什麼是 Speaker Diarization？

Speaker Diarization（說話人分離）是一種語音技術，旨在自動識別並區分一段音訊中不同說話人的語音片段，通常以「Who spoke when?」為核心問題。

1.2 重要性與應用場景

• 會議記錄與轉錄：自動標記參與者發言時間，提高文字紀錄的可讀性。
• 廣播與媒體監聽：自動區分主持人與來賓。
• 語音助理與客服分析：提升語音分析系統的準確性。
• 司法與監控：從電話錄音或監聽資料中識別說話人。

語音活動檢測（VAD，Voice Activity Detection）是語音處理中的一個關鍵技術，用於檢測音頻信號中是否包含語音或非語音（靜音或噪音）部分。VAD 被廣泛應用於語音識別、語音通信、語音增強等領域，可以幫助提高系統的效能，減少不必要的計算負擔。

VAD 的工作原理

VAD 的核心目的是區分語音信號和非語音信號，通常依賴於音頻特徵（如音頻強度、頻譜、基頻等）進行判斷。其主要的工作步驟如下：

1. 信號分幀：將音頻信號分為短時間幀，通常是 20ms 到 30ms。
2. 提取特徵：從每一幀中提取語音相關的特徵，如短時能量、過零率、梅爾頻率倒譜係數（MFCC）等。
3. 分類決策：根據提取的特徵，進行分類判斷，確定該幀是語音還是噪聲或靜音。