VAD menjawab satu pertanyaan berkali-kali per detik: apakah ada orang yang berbicara di potongan audio ini?
Cara kerjanya
Audio dipotong menjadi frame pendek, lalu setiap frame diberi label ucapan atau bukan ucapan. Dua detektor open-source yang paling banyak dipakai menunjukkan parameter yang umum:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Jenis | detektor klasik dari proyek WebRTC milik Google | model neural pra-latih, lisensi MIT |
| Sample rate | 8, 16, 32, atau 48 kHz | 8 atau 16 kHz |
| Frame atau chunk | 10, 20, atau 30 ms | 30+ ms |
| Format audio | hanya PCM mono 16-bit | sesuai dokumentasi di repo |
| Penyetelan | agresivitas 0 (penyaringan paling sedikit) sampai 3 (paling banyak) | lihat contoh di repo |
| Kecepatan | kode C yang kecil | kurang dari 1 ms per chunk di satu thread CPU; model sekitar 2 MB |
Ukuran frame dan sample rate saling terkait. Pada 16.000 sampel per detik, frame 30 ms berisi 16.000 x 0,030 = 480 sampel, atau 960 byte audio 16-bit. Label frame mentah cenderung berkedip-kedip, jadi tool menghaluskannya: butuh beberapa ratus milidetik ucapan sebelum membuka segmen, dan sedikit hening sebelum menutupnya.
API terkelola memakai ide yang sama. Panduan speech-to-text OpenAI memungkinkan Anda mengatur chunking_strategy ke auto atau konfigurasi VAD untuk audio lebih dari 30 detik pada model diarization-nya, yang oleh panduan itu dicantumkan sebagai deprecated.
Mengapa penting
- Biaya. API speech-to-text biasanya menagih per menit audio. Memotong hening panjang sebelum upload mengurangi menit yang ditagih.
- Latensi. Audio yang di-upload lebih sedikit berarti request lebih kecil dan lebih sedikit yang perlu diproses.
- Batas file. Memecah di jeda, bukan pada waktu tetap, mencegah kata terpotong di tengah saat file terlalu besar untuk satu request.
- Voice bot. Mendeteksi akhir giliran bicara menentukan seberapa cepat bot membalas.
VAD juga merupakan tahap pertama speaker diarization.
Di BroadNet Inference
Dokumentasi BroadNet tidak mencantumkan pengaturan VAD atau opsi pemangkasan hening untuk /v1/audio/transcriptions. Anda meng-upload WAV atau MP3 hingga 26.214.400 byte dan mendapat kembali {"text": ...}. Jika audio Anda punya jeda panjang, seperti yang sering terjadi pada voice note dan rekaman panggilan, jalankan WebRTC VAD atau Silero VAD secara lokal, simpan bagian ucapannya, lalu kirim bagian itu. Panduan voice note WhatsApp membahas konversi ffmpeg ke 16 kHz mono yang diterima kedua detektor. Transkripsi dihargai per menit, $0.0042 untuk BroadNet Transcribe Arabic; kalkulator biaya speech-to-text menunjukkan penghematan dari menit yang dipangkas.