---
title: "¿Qué es la detección de actividad de voz (VAD)? | BroadRouter"
description: "La detección de actividad de voz identifica qué partes del audio contienen habla. Cómo funciona VAD con tramas de 10 a 30 ms, cómo recorta silencios y cuánto ahorra."
url: https://broadrouter.com/es/glossary/vad/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/vad/) (actualizado el 2026-11-14).

# Detección de actividad de voz (VAD)

Actualizado 2026-11-14

La detección de actividad de voz (VAD) es un paso de procesamiento de señal que clasifica tramas cortas de audio como habla o no habla. Los sistemas de voz la usan para saltar silencios, dividir grabaciones largas en las pausas, detectar cuándo un hablante terminó y evitar transcribir ruido de fondo.

También llamado: detección de voz, detección de silencio, detector de actividad de voz, recortar silencios del audio, VAD, voice activity detection, speech activity detection, speech detection, silence detection

VAD responde una sola pregunta muchas veces por segundo: ¿hay alguien hablando en este fragmento de audio?

## Cómo funciona

El audio se corta en tramas cortas y cada trama recibe una etiqueta de habla o no habla. Los dos detectores abiertos más usados muestran los parámetros típicos:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| Tipo | detector clásico del proyecto WebRTC de Google | modelo neuronal preentrenado, licencia MIT |
| Frecuencias de muestreo | 8, 16, 32 o 48 kHz | 8 o 16 kHz |
| Trama o fragmento | 10, 20 o 30 ms | 30+ ms |
| Formato de audio | solo PCM mono de 16 bits | según la documentación del repositorio |
| Ajuste | agresividad de 0 (menos filtrado) a 3 (más) | vea los ejemplos del repositorio |
| Velocidad | código C pequeño | menos de 1 ms por fragmento en un hilo de CPU; modelo de unos 2 MB |

El tamaño de trama y la [frecuencia de muestreo](https://broadrouter.com/es/glossary/sample-rate/) están relacionados. A 16,000 muestras por segundo, una trama de 30 ms tiene 16,000 x 0.030 = 480 muestras, o 960 bytes de audio de 16 bits. Las etiquetas por trama en bruto parpadean, así que las herramientas las suavizan: exigen unos cientos de milisegundos de habla antes de abrir un segmento y algo de silencio antes de cerrarlo.

Las API alojadas usan la misma idea. La guía de voz a texto de OpenAI permite fijar `chunking_strategy` en `auto` o en una configuración de VAD para audio de más de 30 segundos en su modelo de diarización, que la guía marca como obsoleto (deprecated).

## Por qué importa

-   **Costo.** Las API de voz a texto suelen cobrar por minuto de audio. Recortar los silencios largos antes de subir reduce los minutos facturados.
-   **Latencia.** Menos audio subido significa una solicitud más pequeña y menos que procesar.
-   **Límites de archivo.** Dividir en las pausas, y no en tiempos fijos, evita partir una palabra por la mitad cuando un archivo es demasiado grande para una sola solicitud.
-   **Bots de voz.** Detectar el final de un turno decide qué tan rápido responde un bot.

VAD también es la primera etapa de la [diarización de hablantes](https://broadrouter.com/es/glossary/diarization/).

## En BroadNet Inference

La documentación de BroadNet no documenta ajustes de VAD ni una opción para recortar silencios en `/v1/audio/transcriptions`. Usted sube WAV o MP3 de hasta 26,214,400 bytes y recibe `{"text": ...}`. Si su audio tiene pausas largas, como suele pasar con notas de voz y grabaciones de llamadas, ejecute WebRTC VAD o Silero VAD en local, conserve las zonas con habla y envíe esas. La [guía de notas de voz de WhatsApp](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) explica la conversión con ffmpeg a 16 kHz mono que aceptan ambos detectores. La transcripción se cobra por minuto, $0.0042 en [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/); la [calculadora de costos de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/) muestra lo que ahorran los minutos recortados.

## Preguntas frecuentes

### ¿Qué VAD de código abierto es una buena opción?

Dos opciones habituales son WebRTC VAD, un detector clásico y pequeño con modos de agresividad de 0 a 3, y Silero VAD, un modelo neuronal con licencia MIT de unos 2 MB que procesa un fragmento de 30+ ms en menos de 1 ms en un solo hilo de CPU.

### ¿BroadNet aplica VAD a mi audio?

La documentación de BroadNet no documenta ajustes de VAD. Si necesita controlarlo, recorte los silencios o divida en las pausas de su lado antes de subir el audio.

### ¿Cómo reduce VAD el costo de la transcripción de voz a texto?

Las API que cobran por minuto facturan el audio que usted envía. Si una grabación tiene un 40% de silencio y envía solo las zonas con habla, paga cerca del 60% de los minutos. Conserve las pausas cortas para no cortar palabras.

## Vea también

-   [Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/) (término)
-   [Diarización de hablantes (speaker diarization)](https://broadrouter.com/es/glossary/diarization/) (término)
-   [Frecuencia de muestreo (sample rate)](https://broadrouter.com/es/glossary/sample-rate/) (término)
-   [Marcas de tiempo en voz a texto (timestamps)](https://broadrouter.com/es/glossary/timestamps-asr/) (término)
-   [Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) (guía)
-   [Notas de voz a texto para empresas: de WhatsApp y Telegram a tickets](https://broadrouter.com/es/blog/voice-notes-to-text-for-business/) (artículo)
-   [Cómo transcribir grabaciones de call center: pipeline listo para árabe](https://broadrouter.com/es/blog/transcribe-call-center-recordings/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

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

**Fuentes**

-   [Silero VAD, repositorio oficial en GitHub](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, interfaz de Python para WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, guía de voz a texto (chunking\_strategy con VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Referencia de la API de BroadNet Inference, transcripción (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-vad&utm_content=sources)
