Equalize the power in each voice interval.
音声区間を検出し，各区間の振幅の二乗平均平方根 (Root Mean Square: RMS) の値を統一する．
- 音声区間の検出には，事前学習済み音声区間検出器SILERO VOICE ACTIVITY DETECTORを使用した．
- 音声区間のRMSは0.05 (default) となるように，各区間で振幅を定数倍した．
- 非音声区間のRMSは，音声区間のRMS (defaultで0.05) に対してSignal-to-Noise Ratio (SNR) が30dB (default) となるように振幅を定数倍した．
- 音声区間検出器が誤った判定をする場合を観測したため，1つのファイルで検出された各音声区間について， その区間のRMSがファイル全体で検出された音声区間のRMSの平均の20% (default) 未満である場合は，その区間を非音声区間とみなした．
- 音声区間検出器はサンプリング周波数8kHzまたは16kHzにのみ対応しているため，16kHzにダウンサンプルした信号で音声区間を求め，元のサンプリング周波数と一致するようにその区間を定数倍して使用した．
- 前処理として，処理対象の信号は全て，サンプリング周波数が48kHz，量子化ビット数が16bit，モノラル信号（複数チャネルの信号は1ch目のみを使用）に統一している．