A human speech detection method detects pure-speech signals in an audio signal containing a mixture of pure-speech and non-speech or mixed-speech signals. The method accurately detects the pure-speech signals by computing a novel Valley Percentage feature from the audio signal and then classifying the audio signals into pure-speech and non-speech (or mixed-speech) classifications. The Valley Percentage is a measurement of the low energy parts of the audio signal (the valley) in comparison to the high energy parts of the audio signal (the mountain). To classify the audio signal, the method performs a threshold decision on the value of the Valley Percentage. Using a binary mask, a high Valley Percentage is classified as pure-speech and a low Valley Percentage is classified as non-speech (or mixed-speech). The method further employs morphological filters to improve the accuracy of human speech detection. Before detection, a morphological closing filter may be employed to eliminate unwanted noise from the audio signal. After detection, a combination of morphological closing and opening filters may be employed to remove aberrant pure-speech and non-speech classifications from the binary mask resulting from impulsive audio signals in order to more accurately detect the boundaries between the pure-speech and non-speech portions of the audio signal. A number of parameters may be employed by the method to further improve the accuracy of human speech detection. For implementation in supervised digital audio signal applications, these parameters may be optimized by training the application a priori. For implementation in an unsupervised environment, adaptive determination of these parameters is also possible.

Un metodo di rilevazione umano di discorso rileva i segnali di puro-discorso in un segnale audio che contiene una miscela dei segnali di puro-discorso e di non-discorso o di mescol-discorso. Il metodo rileva esattamente i segnali di puro-discorso computando una caratteristica di percentuale della valle del romanzo dal segnale audio ed allora classificando i segnali dell'audio nelle classificazioni di puro-discorso e di non-discorso (o mescol-discorso). La percentuale della valle è una misura delle parti basse di energia del segnale audio (la valle) rispetto alle parti di alta energia del segnale audio (la montagna). Per classificare il segnale audio, il metodo realizza una decisione della soglia sul valore della percentuale della valle. Usando una mascherina binaria, un'alta percentuale della valle è classificata mentre il puro-discorso e una percentuale bassa della valle è classificato come non-discorso (o mescol-discorso). Il metodo ulteriore impiega i filtri morfologici per migliorare l'esattezza di rilevazione umana di discorso. Prima di rilevazione, un filtro di chiusura morfologico può essere impiegato per eliminare il rumore indesiderabile dal segnale audio. Dopo rilevazione, una combinazione dei filtri di chiusura e d'apertura morfologici può essere impiegata per rimuovere le classificazioni aberrant di non-discorso e di puro-discorso dalla mascherina binaria derivando dai segnali audio impulsivi per rilevare esattamente i contorni fra il puro-discorso e le parti di non-discorso del segnale audio. Un certo numero di parametri possono essere impiegati con il metodo più ulteriormente per migliorare l'esattezza di rilevazione umana di discorso. Per l'esecuzione nelle applicazioni audio digitali sorvegliate del segnale, questi parametri possono essere ottimizzati addestrando l'applicazione a priori. Per l'esecuzione in unsupervised l'ambiente, determinazione adattabile di questi parametri è inoltre possibile.