يجيب VAD عن سؤال واحد مرات كثيرة في الثانية: هل يتكلم أحد في هذه الشريحة من الصوت؟
كيف يعمل
يُقطَّع الصوت إلى إطارات قصيرة، ويحصل كل إطار على وسم “كلام” أو “غير كلام”. ويُظهر الكاشفان المفتوحان الأكثر استخدامًا المعاملات المعتادة:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| النوع | كاشف كلاسيكي من مشروع WebRTC التابع لـ Google | نموذج عصبي مدرَّب مسبقًا، بترخيص MIT |
| معدلات العينات | 8 أو 16 أو 32 أو 48 kHz | 8 أو 16 kHz |
| الإطار أو المقطع | 10 أو 20 أو 30 ms | 30+ ms |
| صيغة الصوت | PCM أحادي القناة بعمق 16 بت فقط | كما هو موثّق في المستودع |
| الضبط | الحساسية من 0 (أقل تصفية) إلى 3 (أكثرها) | راجع أمثلة المستودع |
| السرعة | شيفرة C صغيرة | أقل من 1 ms لكل مقطع على خيط معالج واحد؛ نموذج بحجم نحو 2 MB |
حجم الإطار ومعدل أخذ العينات مرتبطان. عند 16,000 عينة في الثانية، يضم إطار مدته 30 ms ما مقداره 16,000 x 0.030 = 480 عينة، أي 960 بايت من صوت بعمق 16 بت. وتتذبذب أوسمة الإطارات الخام، فتنعّمها الأدوات: تشترط بضع مئات من الميلي ثانية من الكلام قبل فتح مقطع، وقدرًا من الصمت قبل إغلاقه.
والواجهات المستضافة تستخدم الفكرة نفسها. فدليل OpenAI لتحويل الكلام إلى نص يتيح ضبط chunking_strategy على auto أو على إعداد VAD للصوت الأطول من 30 ثانية في نموذجها لتمييز المتحدثين، وهو نموذج يصنّفه الدليل مُهمَلًا (deprecated).
لماذا يهم
- التكلفة. تحتسب واجهات تحويل الكلام إلى نص عادةً لكل دقيقة صوت. وقصّ فترات الصمت الطويلة قبل الرفع يقلّل الدقائق المحتسبة.
- زمن الاستجابة. صوت أقل في الرفع يعني طلبًا أصغر وعملًا أقل في المعالجة.
- حدود حجم الملف. التقسيم عند فترات التوقف، لا عند أزمنة ثابتة، يتجنّب شطر كلمة إلى نصفين حين يكون الملف أكبر من أن يُرسل في طلب واحد.
- روبوتات المحادثة الصوتية. اكتشاف نهاية دور المتحدث يحدد سرعة ردّ الروبوت.
وVAD هو أيضًا المرحلة الأولى في تمييز المتحدثين.
في BroadNet Inference
لا يوثّق توثيق BroadNet أي إعدادات لـ VAD ولا خيارًا لقصّ الصمت في /v1/audio/transcriptions. ترفع ملف WAV أو MP3 حتى 26,214,400 بايت وتحصل على {"text": ...}. وإذا كان في صوتك فجوات طويلة، كما هو الحال كثيرًا في الملاحظات الصوتية وتسجيلات المكالمات، فشغّل WebRTC VAD أو Silero VAD محليًا، واحتفظ بمناطق الكلام، وأرسلها. ويشرح دليل ملاحظات واتساب الصوتية التحويل بـ ffmpeg إلى 16 kHz أحادي القناة، وهي صيغة يقبلها الكاشفان كلاهما. يُسعَّر التفريغ الصوتي لكل دقيقة، $0.0042 على BroadNet Transcribe Arabic؛ وتُظهر حاسبة تكلفة تحويل الصوت إلى نص ما توفّره الدقائق المقصوصة.