语音活动检测是一项必须将音频信号分割为语音和静音部分的任务。当前的方法在嘈杂的环境中难以完成任务，尤其是瞬态噪声。最近在 arXiv.org 上的一项研究提出了一种新算法，可以解决以前方法的局限性。

语音和非语音音频帧的空间模式是通过 Diffusion Maps 方法独立学习的。它通过将高维数据点映射到嵌入低维空间的流形来执行非线性降维。这让语音的内在结构与瞬态和背景噪声的结构不同。五个对比实验证实，所提出的算法增强了语音活动检测性能，并且比竞争方法具有更好的泛化能力。

我们在瞬态和静态噪声的声学环境中解决语音活动检测问题，这在现实生活中经常发生。我们通过独立学习语音和非语音音频帧的底层几何结构来利用其独特的空间模式。这个过程是通过一个基于深度编码器-解码器的神经网络架构来完成的。这种结构涉及一个编码器，它将具有时间信息的光谱特征映射到它们的低维表示，这些表示是通过应用扩散图方法生成的。编码器馈送解码器，将嵌入的数据映射回高维空间。通过将解码器连接到编码器来获得一个深度神经网络，该网络被训练为将语音与非语音帧分离，类似于已知的扩散网络架构。实验结果表明，与竞争的语音活动检测方法相比，性能有所提高。在准确性、鲁棒性和泛化能力方面都实现了改进。我们的模型以实时方式执行，并且可以集成到基于音频的通信系统中。我们还提出了一种批处理算法，它为离线应用程序获得了更高的准确性。