VAD много раз в секунду отвечает на один вопрос: говорит ли кто-то в этом кусочке аудио?
Как это работает
Аудио нарезают на короткие кадры, и каждый кадр получает метку «речь» или «не речь». Типичные параметры видны на двух самых популярных открытых детекторах:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Тип | классический детектор из проекта Google WebRTC | предобученная нейросетевая модель, лицензия MIT |
| Частоты дискретизации | 8, 16, 32 или 48 кГц | 8 или 16 кГц |
| Кадр или фрагмент | 10, 20 или 30 мс | от 30 мс |
| Формат аудио | только 16-битный моно PCM | как описано в репозитории |
| Настройка | агрессивность от 0 (минимум фильтрации) до 3 (максимум) | см. примеры в репозитории |
| Скорость | компактный код на C | менее 1 мс на фрагмент на одном потоке CPU; модель около 2 МБ |
Размер кадра и частота дискретизации связаны. При 16 000 отсчётов в секунду кадр 30 мс — это 16 000 × 0,030 = 480 отсчётов, или 960 байт 16-битного аудио. Сырые метки кадров «мерцают», поэтому инструменты их сглаживают: сегмент открывается только после нескольких сотен миллисекунд речи и закрывается после некоторой паузы.
Облачные API используют ту же идею. Руководство OpenAI по распознаванию речи позволяет задать chunking_strategy как auto или конфигурацию VAD для аудио длиннее 30 секунд в её модели диаризации, которую руководство помечает как устаревшую.
Почему это важно
- Стоимость. API распознавания речи обычно тарифицируют за минуту аудио. Если вырезать длинные паузы до загрузки, оплачиваемых минут станет меньше.
- Задержка. Меньше аудио — меньше запрос и меньше работы на обработку.
- Лимиты файлов. Если файл слишком велик для одного запроса, деление по паузам, а не через фиксированные интервалы, не разрежет слово пополам.
- Голосовые боты. От того, как быстро определяется конец реплики, зависит скорость ответа бота.
VAD также служит первым этапом диаризации дикторов.
В BroadNet Inference
В документации BroadNet не описаны ни настройки VAD, ни опция удаления тишины для /v1/audio/transcriptions. Вы загружаете WAV или MP3 размером до 26 214 400 байт и получаете в ответ {"text": ...}. Если в аудио есть длинные паузы, как часто бывает в голосовых сообщениях и записях звонков, запустите WebRTC VAD или Silero VAD локально, оставьте фрагменты с речью и отправьте их. Руководство по голосовым сообщениям WhatsApp показывает конвертацию через ffmpeg в 16 кГц моно, которую принимают оба детектора. Транскрибация оплачивается поминутно, $0.0042 у BroadNet Transcribe Arabic; калькулятор стоимости распознавания речи показывает, сколько экономят вырезанные минуты.