VAD は 1 秒間に何度も同じ問いに答えます。この音声の断片で、誰かが話しているか?
仕組み
音声を短いフレームに分け、各フレームに発話か非発話かのラベルを付けます。最もよく使われる 2 つのオープンな検出器が、典型的なパラメータを示しています。
| WebRTC VAD | Silero VAD | |
|---|---|---|
| 種類 | Google の WebRTC プロジェクト由来の古典的検出器 | 学習済みニューラルモデル、MIT ライセンス |
| サンプリングレート | 8、16、32、48 kHz | 8 または 16 kHz |
| フレーム/チャンク | 10、20、30 ms | 30+ ms |
| 音声形式 | 16 ビット・モノラル PCM のみ | リポジトリの記載どおり |
| 調整 | アグレッシブネス 0(除去が最も少ない)〜3(最も多い) | リポジトリの例を参照 |
| 速度 | 小さな C コード | CPU 1 スレッドでチャンクあたり 1 ms 未満、モデルは約 2 MB |
フレーム長とサンプリングレートは連動しています。毎秒 16,000 サンプルなら、30 ms のフレームは 16,000 x 0.030 = 480 サンプル、16 ビット音声で 960 バイトです。フレームごとの生のラベルはちらつくため、ツールは平滑化します。数百ミリ秒の発話が続いてから区間を開き、ある程度の無音が続いてから閉じる、という具合です。
ホスト型 API も同じ考え方です。OpenAI の音声認識ガイドでは、話者ダイアライゼーション用モデルについて、30 秒を超える音声で chunking_strategy を auto または VAD の設定にできます。なお、ガイドはこのモデルを非推奨としています。
なぜ重要か
- コスト。 音声認識 API は通常、音声の分数で課金します。アップロード前に長い無音を削れば、課金される分数が減ります。
- レイテンシ。 アップロードする音声が少なければ、リクエストは小さくなり、処理量も減ります。
- ファイルサイズの上限。 1 回のリクエストに収まらないファイルを分割するとき、固定時間ではなく間で切れば、単語の途中で切らずに済みます。
- 音声ボット。 発話の終わりを検出するタイミングが、ボットの応答の速さを決めます。
VAD は話者ダイアライゼーションの最初の段階でもあります。
BroadNet Inference では
BroadNet のドキュメントには、/v1/audio/transcriptions の VAD 設定や無音を削るオプションは記載されていません。最大 26,214,400 バイトの WAV または MP3 をアップロードすると、{"text": ...} が返ります。ボイスメッセージや通話録音によくあるように音声に長い空白があるなら、手元で WebRTC VAD か Silero VAD を動かして発話部分だけを残し、それを送ってください。WhatsApp ボイスメッセージのガイドでは、両方の検出器が受け付ける 16 kHz モノラルへの ffmpeg での変換を説明しています。文字起こしは分単位の料金で、BroadNet Transcribe Arabic では $0.0042 です。削った分数でいくら節約できるかは音声認識コスト計算ツールで確認できます。