VAD beantwortet viele Male pro Sekunde eine einzige Frage: Spricht in diesem Audioabschnitt gerade jemand?
So funktioniert es
Das Audio wird in kurze Frames zerlegt, und jeder Frame bekommt das Label Sprache oder Nicht-Sprache. Die beiden meistgenutzten offenen Detektoren zeigen die typischen Parameter:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Typ | klassischer Detektor aus Googles WebRTC-Projekt | vortrainiertes neuronales Modell, MIT-Lizenz |
| Abtastraten | 8, 16, 32 oder 48 kHz | 8 oder 16 kHz |
| Frame oder Chunk | 10, 20 oder 30 ms | ab 30 ms |
| Audioformat | nur 16-Bit-Mono-PCM | wie im Repo dokumentiert |
| Einstellung | Aggressivität 0 (am wenigsten Filterung) bis 3 (am meisten) | siehe Beispiele im Repo |
| Geschwindigkeit | kleiner C-Code | unter 1 ms pro Chunk auf einem CPU-Thread; Modell von etwa 2 MB |
Frame-Größe und Abtastrate hängen zusammen. Bei 16.000 Samples pro Sekunde umfasst ein Frame von 30 ms 16.000 x 0,030 = 480 Samples, also 960 Bytes 16-Bit-Audio. Die rohen Frame-Labels flackern, deshalb glätten Tools sie: Ein Segment wird erst nach einigen hundert Millisekunden Sprache geöffnet und erst nach etwas Stille geschlossen.
Gehostete APIs nutzen dieselbe Idee. Im Speech-to-Text-Leitfaden von OpenAI können Sie chunking_strategy bei Audio über 30 Sekunden für das Diarisierungsmodell auf auto oder eine VAD-Konfiguration setzen; der Leitfaden führt dieses Modell als veraltet (deprecated).
Warum es wichtig ist
- Kosten. Speech-to-Text-APIs rechnen meist pro Audiominute ab. Wer lange Stille vor dem Upload entfernt, senkt die abgerechneten Minuten.
- Latenz. Weniger hochgeladenes Audio bedeutet einen kleineren Request und weniger Verarbeitung.
- Dateilimits. Ist eine Datei zu groß für einen Request, verhindert das Teilen an Pausen statt nach festen Zeiten, dass ein Wort mittendurch geschnitten wird.
- Voicebots. Wie schnell ein Bot antwortet, hängt davon ab, wann er das Ende eines Redebeitrags erkennt.
VAD ist außerdem die erste Stufe der Sprecher-Diarisierung.
Bei BroadNet Inference
Die Dokumentation von BroadNet beschreibt für /v1/audio/transcriptions weder VAD-Einstellungen noch eine Option zum Kürzen von Stille. Sie laden WAV oder MP3 bis 26.214.400 Bytes hoch und erhalten {"text": ...} zurück. Hat Ihr Audio lange Lücken, wie Sprachnachrichten und Anrufaufzeichnungen oft, lassen Sie WebRTC VAD oder Silero VAD lokal laufen, behalten die Sprachabschnitte und senden diese. Die Anleitung zu WhatsApp-Sprachnachrichten zeigt die Umwandlung mit ffmpeg in 16 kHz Mono, die beide Detektoren akzeptieren. Transkription wird pro Minute abgerechnet, $0.0042 bei BroadNet Transcribe Arabic; der Kostenrechner für Speech-to-Text zeigt, was gekürzte Minuten sparen.