VAD responde una sola pregunta muchas veces por segundo: ¿hay alguien hablando en este fragmento de audio?
Cómo funciona
El audio se corta en tramas cortas y cada trama recibe una etiqueta de habla o no habla. Los dos detectores abiertos más usados muestran los parámetros típicos:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Tipo | detector clásico del proyecto WebRTC de Google | modelo neuronal preentrenado, licencia MIT |
| Frecuencias de muestreo | 8, 16, 32 o 48 kHz | 8 o 16 kHz |
| Trama o fragmento | 10, 20 o 30 ms | 30+ ms |
| Formato de audio | solo PCM mono de 16 bits | según la documentación del repositorio |
| Ajuste | agresividad de 0 (menos filtrado) a 3 (más) | vea los ejemplos del repositorio |
| Velocidad | código C pequeño | menos de 1 ms por fragmento en un hilo de CPU; modelo de unos 2 MB |
El tamaño de trama y la frecuencia de muestreo están relacionados. A 16,000 muestras por segundo, una trama de 30 ms tiene 16,000 x 0.030 = 480 muestras, o 960 bytes de audio de 16 bits. Las etiquetas por trama en bruto parpadean, así que las herramientas las suavizan: exigen unos cientos de milisegundos de habla antes de abrir un segmento y algo de silencio antes de cerrarlo.
Las API alojadas usan la misma idea. La guía de voz a texto de OpenAI permite fijar chunking_strategy en auto o en una configuración de VAD para audio de más de 30 segundos en su modelo de diarización, que la guía marca como obsoleto (deprecated).
Por qué importa
- Costo. Las API de voz a texto suelen cobrar por minuto de audio. Recortar los silencios largos antes de subir reduce los minutos facturados.
- Latencia. Menos audio subido significa una solicitud más pequeña y menos que procesar.
- Límites de archivo. Dividir en las pausas, y no en tiempos fijos, evita partir una palabra por la mitad cuando un archivo es demasiado grande para una sola solicitud.
- Bots de voz. Detectar el final de un turno decide qué tan rápido responde un bot.
VAD también es la primera etapa de la diarización de hablantes.
En BroadNet Inference
La documentación de BroadNet no documenta ajustes de VAD ni una opción para recortar silencios en /v1/audio/transcriptions. Usted sube WAV o MP3 de hasta 26,214,400 bytes y recibe {"text": ...}. Si su audio tiene pausas largas, como suele pasar con notas de voz y grabaciones de llamadas, ejecute WebRTC VAD o Silero VAD en local, conserve las zonas con habla y envíe esas. La guía de notas de voz de WhatsApp explica la conversión con ffmpeg a 16 kHz mono que aceptan ambos detectores. La transcripción se cobra por minuto, $0.0042 en BroadNet Transcribe Arabic; la calculadora de costos de voz a texto muestra lo que ahorran los minutos recortados.