---
title: "音声区間検出（VAD）とは？音声認識での無音カット | BroadRouter"
description: "音声区間検出は、音声のどこに発話があるかを見つけます。VAD が 10〜30 ms のフレームでどう動くか、文字起こし前に無音をどう削るか、何が節約できるかを解説します。"
url: https://broadrouter.com/ja/glossary/vad/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/vad/) (2026-11-14 更新).

# 音声区間検出（VAD）

更新日 2026-11-14

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](https://broadrouter.com/ja/glossary/sample-rate/)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](https://broadrouter.com/ja/glossary/diarization/)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](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)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](https://broadrouter.com/ja/models/cohere-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](https://broadrouter.com/tools/speech-to-text-cost-calculator/)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。

## 関連項目

-   [音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/) (用語)
-   [話者ダイアライゼーション（speaker diarization）](https://broadrouter.com/ja/glossary/diarization/) (用語)
-   [サンプリングレート（sample rate）](https://broadrouter.com/ja/glossary/sample-rate/) (用語)
-   [タイムスタンプ（音声認識、timestamps）](https://broadrouter.com/ja/glossary/timestamps-asr/) (用語)
-   [WhatsApp のボイスメッセージを API で文字起こしする](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/) (ガイド)
-   [ビジネス向けボイスメッセージの文字起こし：WhatsApp と Telegram からチケットへ](https://broadrouter.com/ja/blog/voice-notes-to-text-for-business/) (記事)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-vad&utm_content=page-cta) ·

**出典**

-   [Silero VAD、公式 GitHub リポジトリ](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad、WebRTC VAD の Python インターフェース](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI、音声認識ガイド（VAD を使う chunking\_strategy）](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [BroadNet Inference API リファレンス、文字起こし （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-vad&utm_content=sources)
