---
title: "Was ist Voice Activity Detection (VAD) bei Speech-to-Text?"
description: "Voice Activity Detection erkennt, wo im Audio gesprochen wird. Wie VAD mit Frames von 10 bis 30 ms arbeitet, Stille vor der Transkription kürzt und was das spart."
url: https://broadrouter.com/de/glossary/vad/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/vad/) (aktualisiert am 2026-11-14).

# Sprachaktivitätserkennung (Voice Activity Detection, VAD)

Aktualisiert 2026-11-14

Voice Activity Detection (VAD, Sprachaktivitätserkennung) ist ein Schritt der Signalverarbeitung, der kurze Audio-Frames als Sprache oder Nicht-Sprache einstuft. Sprachsysteme nutzen sie, um Stille zu überspringen, lange Aufnahmen an Pausen zu teilen, das Ende eines Redebeitrags zu erkennen und Hintergrundgeräusche nicht zu transkribieren.

Auch genannt: Sprachaktivitätserkennung, Stilleerkennung, Sprachdetektion, voice activity detection, speech activity detection, speech detection, silence detection

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](https://broadrouter.com/de/glossary/sample-rate/) 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](https://broadrouter.com/de/glossary/diarization/).

## 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](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/) zeigt die Umwandlung mit ffmpeg in 16 kHz Mono, die beide Detektoren akzeptieren. Transkription wird pro Minute abgerechnet, $0.0042 bei [BroadNet Transcribe Arabic](https://broadrouter.com/de/models/cohere-transcribe-arabic/); der [Kostenrechner für Speech-to-Text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) zeigt, was gekürzte Minuten sparen.

## Häufige Fragen

### Welche Open-Source-VAD ist gut?

Zwei gängige Optionen sind WebRTC VAD, ein kleiner klassischer Detektor mit den Aggressivitätsstufen 0 bis 3, und Silero VAD, ein MIT-lizenziertes neuronales Modell von etwa 2 MB, das einen Chunk ab 30 ms in unter 1 ms auf einem CPU-Thread verarbeitet.

### Wendet BroadNet VAD auf mein Audio an?

Die Dokumentation von BroadNet beschreibt keine VAD-Einstellungen. Wenn Sie das steuern wollen, kürzen Sie Stille oder teilen Sie an Pausen selbst, bevor Sie hochladen.

### Wie senkt VAD die Kosten für Speech-to-Text?

APIs mit Minutenabrechnung berechnen das Audio, das Sie senden. Besteht eine Aufnahme zu 40 % aus Stille und Sie senden nur die Sprachabschnitte, zahlen Sie für etwa 60 % der Minuten. Lassen Sie kurze Pausen stehen, damit keine Wörter abgeschnitten werden.

## Siehe auch

-   [Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/) (Begriff)
-   [Sprecherdiarisierung (Speaker Diarization)](https://broadrouter.com/de/glossary/diarization/) (Begriff)
-   [Abtastrate (Sample Rate)](https://broadrouter.com/de/glossary/sample-rate/) (Begriff)
-   [Zeitstempel (Speech-to-Text)](https://broadrouter.com/de/glossary/timestamps-asr/) (Begriff)
-   [WhatsApp-Sprachnachrichten per API in Text umwandeln](https://broadrouter.com/de/guides/transcribe-whatsapp-voice-notes/) (Anleitung)
-   [Sprachnachrichten in Text für Firmen: WhatsApp und Telegram zu Tickets](https://broadrouter.com/de/blog/voice-notes-to-text-for-business/) (Artikel)
-   [Callcenter-Aufzeichnungen transkribieren: Pipeline, auch für Arabisch](https://broadrouter.com/de/blog/transcribe-call-center-recordings/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

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

**Quellen**

-   [Silero VAD, offizielles GitHub-Repository](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, Python-Schnittstelle zum WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, Speech-to-Text-Leitfaden (chunking\_strategy mit VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [API-Referenz von BroadNet Inference, Transkription (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-vad&utm_content=sources)
