Le VAD répond à une seule question, plusieurs fois par seconde : quelqu’un parle-t-il dans ce morceau d’audio ?
Comment ça marche
L’audio est découpé en trames courtes, et chaque trame reçoit l’étiquette parole ou non-parole. Les deux détecteurs ouverts les plus utilisés montrent les paramètres typiques :
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Type | détecteur classique issu du projet WebRTC de Google | modèle neuronal pré-entraîné, licence MIT |
| Fréquences d’échantillonnage | 8, 16, 32 ou 48 kHz | 8 ou 16 kHz |
| Trame ou segment | 10, 20 ou 30 ms | 30 ms ou plus |
| Format audio | PCM mono 16 bits uniquement | selon la documentation du dépôt |
| Réglage | agressivité de 0 (filtrage minimal) à 3 (maximal) | voir les exemples du dépôt |
| Vitesse | petit code C | moins de 1 ms par segment sur un thread CPU ; modèle d’environ 2 Mo |
Taille de trame et fréquence d’échantillonnage sont liées. À 16 000 échantillons par seconde, une trame de 30 ms compte 16 000 x 0,030 = 480 échantillons, soit 960 octets d’audio 16 bits. Les étiquettes brutes par trame clignotent, donc les outils les lissent : ils exigent quelques centaines de millisecondes de parole avant d’ouvrir un segment, et un peu de silence avant de le fermer.
Les API hébergées reposent sur la même idée. Le guide speech-to-text d’OpenAI permet de régler chunking_strategy sur auto ou sur une configuration VAD pour l’audio de plus de 30 secondes avec son modèle de diarisation, que le guide signale comme obsolète (deprecated).
Pourquoi c’est important
- Coût. Les API de speech-to-text facturent en général à la minute d’audio. Couper les longs silences avant l’envoi réduit les minutes facturées.
- Latence. Moins d’audio envoyé, c’est une requête plus légère et moins de traitement.
- Limites de taille. Quand un fichier est trop gros pour une seule requête, découper aux pauses plutôt qu’à intervalles fixes évite de couper un mot en deux.
- Voicebots. La détection de fin de tour de parole décide de la rapidité avec laquelle un bot répond.
Le VAD est aussi la première étape de la diarisation du locuteur.
Sur BroadNet Inference
La documentation de BroadNet ne décrit ni réglage de VAD ni option de suppression des silences pour /v1/audio/transcriptions. Vous envoyez du WAV ou du MP3 jusqu’à 26 214 400 octets et vous recevez {"text": ...}. Si votre audio comporte de longs blancs, comme souvent les messages vocaux et les enregistrements d’appels, lancez WebRTC VAD ou Silero VAD en local, gardez les passages parlés et envoyez-les. Le guide des messages vocaux WhatsApp détaille la conversion ffmpeg en 16 kHz mono, acceptée par les deux détecteurs. La transcription est facturée à la minute, $0.0042 sur BroadNet Transcribe Arabic ; le calculateur de coût speech-to-text montre ce que les minutes coupées font économiser.