O VAD responde a uma única pergunta, muitas vezes por segundo: tem alguém falando neste pedaço de áudio?
Como funciona
O áudio é cortado em frames curtos e cada frame recebe um rótulo de fala ou não fala. Os dois detectores abertos mais usados mostram os parâmetros típicos:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Tipo | detector clássico do projeto WebRTC do Google | modelo neural pré-treinado, licença MIT |
| Taxas de amostragem | 8, 16, 32 ou 48 kHz | 8 ou 16 kHz |
| Frame ou chunk | 10, 20 ou 30 ms | 30+ ms |
| Formato de áudio | só PCM mono de 16 bits | conforme a documentação do repositório |
| Ajuste | agressividade de 0 (filtra menos) a 3 (filtra mais) | veja os exemplos do repositório |
| Velocidade | código C pequeno | menos de 1 ms por chunk em uma thread de CPU; modelo de cerca de 2 MB |
Tamanho do frame e taxa de amostragem andam juntos. A 16.000 amostras por segundo, um frame de 30 ms tem 16.000 x 0,030 = 480 amostras, ou 960 bytes de áudio de 16 bits. Os rótulos brutos dos frames oscilam, então as ferramentas os suavizam: exigem algumas centenas de milissegundos de fala antes de abrir um segmento e um pouco de silêncio antes de fechá-lo.
APIs hospedadas usam a mesma ideia. O guia de speech-to-text da OpenAI permite definir chunking_strategy como auto ou como uma configuração de VAD em áudios com mais de 30 segundos para o seu modelo de diarização, que o guia lista como descontinuado.
Por que isso importa
- Custo. APIs de speech-to-text costumam cobrar por minuto de áudio. Cortar silêncios longos antes do upload reduz os minutos cobrados.
- Latência. Menos áudio enviado significa uma requisição menor e menos coisa para processar.
- Limites de arquivo. Dividir nas pausas, e não em tempos fixos, evita cortar uma palavra ao meio quando um arquivo é grande demais para uma requisição.
- Voice bots. Detectar o fim de um turno define a rapidez com que um bot responde.
O VAD também é a primeira etapa da diarização de locutores.
Na BroadNet Inference
A documentação da BroadNet não descreve configurações de VAD nem uma opção de remoção de silêncio para /v1/audio/transcriptions. Você envia WAV ou MP3 de até 26.214.400 bytes e recebe {"text": ...}. Se o seu áudio tem pausas longas, como costuma acontecer com áudios de voz e gravações de chamadas, rode o WebRTC VAD ou o Silero VAD localmente, mantenha os trechos com fala e envie só esses. O guia de áudios do WhatsApp mostra a conversão com ffmpeg para 16 kHz mono, aceita pelos dois detectores. A transcrição é cobrada por minuto, $0.0042 no BroadNet Transcribe Arabic; a calculadora de custo de speech-to-text mostra quanto os minutos cortados economizam.