---
title: "VAD کیا ہے؟ اسپیچ ٹو ٹیکسٹ میں وائس ایکٹیویٹی ڈیٹیکشن"
description: "وائس ایکٹیویٹی ڈیٹیکشن بتاتی ہے کہ آڈیو کے کن حصوں میں گفتگو ہے۔ 10 سے 30 ms فریمز میں VAD کیسے کام کرتی ہے، ٹرانسکرپشن سے پہلے خاموشی کیسے ہٹاتی ہے۔"
url: https://broadrouter.com/ur/glossary/vad/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/vad/) (اپ ڈیٹ: 2026-11-14).

# وائس ایکٹیویٹی ڈیٹیکشن (VAD)

اپ ڈیٹ 2026-11-14

وائس ایکٹیویٹی ڈیٹیکشن (VAD) سگنل پروسیسنگ کا ایک مرحلہ ہے جو آڈیو کے چھوٹے فریمز کو اسپیچ یا نان اسپیچ میں درجہ بند کرتا ہے۔ اسپیچ سسٹم اس سے خاموشی چھوڑتے ہیں، لمبی ریکارڈنگ کو وقفوں پر کاٹتے ہیں، پہچانتے ہیں کہ بولنے والا کب رکا، اور پس منظر کے شور کو ٹرانسکرائب ہونے سے بچاتے ہیں۔

دوسرے نام: وائس ایکٹیویٹی ڈیٹیکشن، اسپیچ ڈیٹیکشن، خاموشی ہٹانا، vad kya hai، voice activity detection kya hai، voice activity detection، speech activity detection، speech detection، silence detection

VAD ہر سیکنڈ میں کئی بار ایک ہی سوال کا جواب دیتی ہے: کیا آڈیو کے اس ٹکڑے میں کوئی بول رہا ہے؟

## یہ کیسے کام کرتی ہے

آڈیو کو چھوٹے فریمز میں کاٹا جاتا ہے اور ہر فریم پر اسپیچ یا نان اسپیچ کا لیبل لگتا ہے۔ سب سے زیادہ استعمال ہونے والے دو اوپن ڈیٹیکٹر عام پیرامیٹرز دکھاتے ہیں:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| قسم | Google کے WebRTC پروجیکٹ کا کلاسک ڈیٹیکٹر | پہلے سے تربیت یافتہ نیورل ماڈل، MIT لائسنس |
| سیمپل ریٹ | 8، 16، 32 یا 48 kHz | 8 یا 16 kHz |
| فریم یا چنک | 10، 20 یا 30 ms | 30+ ms |
| آڈیو فارمیٹ | صرف 16-bit مونو PCM | جیسا ریپوزٹری میں درج ہے |
| ٹیوننگ | aggressiveness 0 (سب سے کم فلٹرنگ) سے 3 (سب سے زیادہ) | ریپوزٹری کی مثالیں دیکھیں |
| رفتار | چھوٹا C کوڈ | ایک CPU تھریڈ پر فی چنک 1 ms سے کم؛ تقریباً 2 MB کا ماڈل |

فریم کا سائز اور [سیمپل ریٹ](https://broadrouter.com/ur/glossary/sample-rate/) آپس میں جڑے ہیں۔ فی سیکنڈ 16,000 سیمپلز پر 30 ms کا فریم 16,000 x 0.030 = 480 سیمپلز ہوتا ہے، یعنی 16-bit آڈیو کے 960 بائٹ۔ فریم کی سطح کے خام لیبل بار بار بدلتے رہتے ہیں، اس لیے ٹولز انہیں ہموار کرتے ہیں: سیگمنٹ کھولنے سے پہلے چند سو ملی سیکنڈ کی اسپیچ اور بند کرنے سے پہلے کچھ خاموشی ضروری رکھتے ہیں۔

ہوسٹڈ API بھی یہی طریقہ اپناتے ہیں۔ OpenAI کی اسپیچ ٹو ٹیکسٹ گائیڈ اپنے ڈائرائزیشن ماڈل کے لیے 30 سیکنڈ سے لمبے آڈیو پر `chunking_strategy` کو `auto` یا کسی VAD کنفیگریشن پر سیٹ کرنے دیتی ہے؛ گائیڈ اس ماڈل کو deprecated بتاتی ہے۔

## یہ کیوں اہم ہے

-   **لاگت۔** اسپیچ ٹو ٹیکسٹ API عموماً فی آڈیو منٹ بل کرتے ہیں۔ اپ لوڈ سے پہلے لمبی خاموشی ہٹانے سے بل ہونے والے منٹ کم ہوتے ہیں۔
-   **لیٹنسی۔** کم آڈیو اپ لوڈ ہونے کا مطلب ہے چھوٹی درخواست اور کم پروسیسنگ۔
-   **فائل کی حد۔** جب فائل ایک درخواست کے لیے بہت بڑی ہو تو مقررہ وقت کے بجائے وقفوں پر کاٹنے سے کوئی لفظ بیچ سے نہیں کٹتا۔
-   **وائس بوٹس۔** بولنے والے کی باری ختم ہونے کی پہچان طے کرتی ہے کہ بوٹ کتنی جلدی جواب دے گا۔

VAD [اسپیکر ڈائرائزیشن](https://broadrouter.com/ur/glossary/diarization/) کا بھی پہلا مرحلہ ہے۔

## BroadNet Inference پر

BroadNet کی دستاویزات `/v1/audio/transcriptions` کے لیے نہ VAD سیٹنگز درج کرتی ہیں، نہ خاموشی ہٹانے کا کوئی آپشن۔ آپ 26,214,400 بائٹ تک کی WAV یا MP3 اپ لوڈ کرتے ہیں اور بدلے میں `{"text": ...}` پاتے ہیں۔ اگر آپ کے آڈیو میں لمبے وقفے ہیں، جیسا وائس نوٹس اور کال ریکارڈنگز میں اکثر ہوتا ہے، تو WebRTC VAD یا Silero VAD لوکل چلائیں، اسپیچ والے حصے رکھیں اور وہی بھیجیں۔ [WhatsApp وائس نوٹس گائیڈ](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/) 16 kHz مونو میں ffmpeg کنورژن بتاتی ہے، جسے دونوں ڈیٹیکٹر قبول کرتے ہیں۔ ٹرانسکرپشن کی قیمت فی منٹ ہے، [BroadNet Transcribe Arabic](https://broadrouter.com/ur/models/cohere-transcribe-arabic/) پر $0.0042؛ [اسپیچ ٹو ٹیکسٹ کاسٹ کیلکولیٹر](https://broadrouter.com/tools/speech-to-text-cost-calculator/) دکھاتا ہے کہ ہٹائے گئے منٹوں سے کتنی بچت ہوتی ہے۔

## عام سوالات

### اچھی اوپن سورس VAD کون سی ہے؟

دو عام انتخاب ہیں: WebRTC VAD، ایک چھوٹا کلاسک ڈیٹیکٹر جس کے aggressiveness موڈ 0 سے 3 ہیں، اور Silero VAD، MIT لائسنس والا تقریباً 2 MB کا نیورل ماڈل جو ایک CPU تھریڈ پر 30+ ms کا چنک 1 ms سے کم میں پروسیس کرتا ہے۔

### کیا BroadNet میرے آڈیو پر VAD لگاتا ہے؟

BroadNet کی دستاویزات میں VAD کی کوئی سیٹنگ درج نہیں۔ اگر آپ کو اس پر کنٹرول چاہیے تو اپ لوڈ سے پہلے اپنی طرف خاموشی ہٹائیں یا وقفوں پر آڈیو کاٹیں۔

### VAD سے اسپیچ ٹو ٹیکسٹ کا خرچ کیسے کم ہوتا ہے؟

فی منٹ والے API بھیجے گئے آڈیو کا بل بناتے ہیں۔ اگر ریکارڈنگ میں 40% خاموشی ہے اور آپ صرف اسپیچ والے حصے بھیجتے ہیں تو تقریباً 60% منٹوں کی ادائیگی ہوتی ہے۔ چھوٹے وقفے رہنے دیں تاکہ الفاظ کٹیں نہیں۔

## یہ بھی دیکھیں

-   [اسپیچ ٹو ٹیکسٹ (speech-to-text)](https://broadrouter.com/ur/glossary/speech-to-text/) (اصطلاح)
-   [اسپیکر ڈائرائزیشن (speaker diarization)](https://broadrouter.com/ur/glossary/diarization/) (اصطلاح)
-   [سیمپل ریٹ (sample rate)](https://broadrouter.com/ur/glossary/sample-rate/) (اصطلاح)
-   [ٹائم اسٹیمپس (اسپیچ ٹو ٹیکسٹ، timestamps)](https://broadrouter.com/ur/glossary/timestamps-asr/) (اصطلاح)
-   [API کے ذریعے WhatsApp وائس نوٹس کو متن میں بدلیں](https://broadrouter.com/ur/guides/transcribe-whatsapp-voice-notes/) (گائیڈ)
-   [کاروبار کے لیے وائس نوٹ سے متن: WhatsApp اور Telegram سے ٹکٹس](https://broadrouter.com/ur/blog/voice-notes-to-text-for-business/) (مضمون)
-   [کال سینٹر ریکارڈنگز کیسے ٹرانسکرائب کریں: عربی کے لیے تیار پائپ لائن](https://broadrouter.com/ur/blog/transcribe-call-center-recordings/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [Silero VAD، سرکاری GitHub ریپوزٹری](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad، WebRTC VAD کا Python انٹرفیس](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI، اسپیچ ٹو ٹیکسٹ گائیڈ (VAD کے ساتھ chunking\_strategy)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [BroadNet Inference API ریفرنس، ٹرانسکرپشن (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-vad&utm_content=sources)
