BroadRouter
始める

音声区間検出(VAD)

更新日

音声区間検出(VAD)とは、音声を短いフレームに分け、各フレームが発話か非発話かを判定する信号処理のステップです。音声システムは無音のスキップ、長い録音の間での分割、話し終わりの検出、背景雑音の文字起こし防止に使います。

別名: 音声区間検出、発話区間検出、音声検出、無音検出、無音カット、voice activity detection、VAD、speech activity detection、speech detection、silence detection

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。

よくある質問

おすすめのオープンソース VAD はありますか?

よく使われるのは 2 つです。アグレッシブネスのモードが 0〜3 の小さな古典的検出器 WebRTC VAD と、MIT ライセンスで約 2 MB のニューラルモデル Silero VAD です。Silero VAD は 30 ms 以上のチャンクを CPU 1 スレッドで 1 ms 未満で処理します。

BroadNet は音声に VAD をかけますか?

BroadNet のドキュメントには VAD の設定は記載されていません。自分で制御したい場合は、アップロード前に手元で無音を削るか、間で分割してください。

VAD で音声認識のコストはどう下がりますか?

分単位課金の API は、送った音声に対して課金します。録音の 40% が無音で、発話部分だけを送れば、支払いは約 60% の分数で済みます。単語が切れないよう、短い間は残してください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く