---
title: "Ano ang voice activity detection (VAD) sa speech-to-text?"
description: "Hinahanap ng voice activity detection kung aling bahagi ng audio ang may pananalita. Paano gumagana ang VAD sa 10 hanggang 30 ms na frame at paano ito nagtitipid."
url: https://broadrouter.com/fil/glossary/vad/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/vad/) (na-update noong 2026-11-14).

# Voice activity detection (VAD)

Na-update 2026-11-14

Ang voice activity detection (VAD) ay isang signal-processing step na nag-uuri sa maiikling frame ng audio bilang speech o non-speech. Ginagamit ito ng mga speech system para laktawan ang katahimikan, hatiin ang mahahabang recording sa mga pause, malaman kung tapos nang magsalita ang speaker, at iwasang i-transcribe ang ingay sa background.

Tinatawag ding: voice activity detection, VAD, speech activity detection, speech detection, silence detection, pag-detect ng boses, pagtanggal ng katahimikan sa audio

Isang tanong ang paulit-ulit na sinasagot ng VAD, maraming beses bawat segundo: may nagsasalita ba sa hiwang ito ng audio?

## Paano ito gumagana

Hinahati ang audio sa maiikling frame at nilalagyan ang bawat frame ng label na speech o non-speech. Makikita sa dalawang pinakaginagamit na open detector ang karaniwang mga parameter:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| Uri | classic detector mula sa WebRTC project ng Google | pre-trained na neural model, MIT licence |
| Sample rate | 8, 16, 32 o 48 kHz | 8 o 16 kHz |
| Frame o chunk | 10, 20 o 30 ms | 30+ ms |
| Audio format | 16-bit mono PCM lang | ayon sa dokumentasyon sa repo |
| Tuning | aggressiveness 0 (pinakakaunting filter) hanggang 3 (pinakamarami) | tingnan ang mga halimbawa sa repo |
| Bilis | maliit na C code | wala pang 1 ms bawat chunk sa isang CPU thread; mga 2 MB ang model |

Magkaugnay ang laki ng frame at ang [sample rate](https://broadrouter.com/fil/glossary/sample-rate/). Sa 16,000 sample bawat segundo, ang 30 ms na frame ay 16,000 x 0.030 = 480 sample, o 960 byte ng 16-bit na audio. Pabago-bago ang hilaw na label ng bawat frame, kaya pinapakinis ito ng mga tool: kailangan muna ng ilang daang millisecond ng pananalita bago magbukas ng segment, at ng kaunting katahimikan bago ito isara.

Ganito rin ang ideya sa mga hosted API. Sa speech-to-text guide ng OpenAI, puwedeng itakda ang `chunking_strategy` sa `auto` o sa isang VAD configuration para sa audio na lampas 30 segundo sa diarization model nito, na nakalista sa guide bilang deprecated.

## Bakit ito mahalaga

-   **Gastos.** Karaniwang per audio minute ang singil ng mga speech-to-text API. Kapag tinanggal mo ang mahahabang katahimikan bago mag-upload, nababawasan ang siningil na minuto.
-   **Latency.** Mas kaunting audio na ia-upload, mas maliit ang request at mas kaunti ang ipo-process.
-   **Limit sa file.** Kapag sa mga pause ka naghati sa halip na sa fixed na oras, hindi mahahati sa gitna ang isang salita kapag masyadong malaki ang file para sa isang request.
-   **Mga voice bot.** Ang pag-detect ng dulo ng turn ang nagtatakda kung gaano kabilis sumagot ang bot.

Ang VAD din ang unang yugto ng [speaker diarization](https://broadrouter.com/fil/glossary/diarization/).

## Sa BroadNet Inference

Walang dokumentadong VAD setting o opsyon sa pag-trim ng katahimikan para sa `/v1/audio/transcriptions` sa docs ng BroadNet. Mag-a-upload ka ng WAV o MP3 hanggang 26,214,400 byte at `{"text": ...}` ang ibabalik. Kung may mahahabang puwang ang audio mo, gaya ng madalas sa mga voice note at call recording, patakbuhin nang lokal ang WebRTC VAD o Silero VAD, kunin ang mga bahaging may pananalita, at iyon ang ipadala. Ipinapakita ng [gabay sa WhatsApp voice notes](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/) ang ffmpeg conversion sa 16 kHz mono na tinatanggap ng dalawang detector. Per minute ang presyo ng transcription, $0.0042 sa [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/); ipinapakita ng [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) kung magkano ang natitipid ng na-trim na minuto.

## Mga tanong

### Ano ang magandang open-source na VAD?

Dalawang karaniwang pinipili ang WebRTC VAD, isang maliit na classic detector na may aggressiveness mode 0 hanggang 3, at ang Silero VAD, isang MIT-licensed na neural model na mga 2 MB na nagpo-process ng 30+ ms na chunk sa wala pang 1 ms sa isang CPU thread.

### Naglalapat ba ang BroadNet ng VAD sa audio ko?

Walang dokumentadong VAD setting sa docs ng BroadNet. Kung gusto mong kontrolado ito, ikaw na ang mag-trim ng katahimikan o maghati sa mga pause bago mag-upload.

### Paano nakakabawas ang VAD sa gastos ng speech-to-text?

Sinisingil ng mga per-minute na API ang audio na ipinapadala mo. Kung 40% ng recording ay katahimikan at ang mga bahaging may pananalita lang ang ipinadala mo, mga 60% ng minuto ang babayaran mo. Mag-iwan ng maiikling pause para hindi maputol ang mga salita.

## Tingnan din

-   [Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/) (termino)
-   [Speaker diarization](https://broadrouter.com/fil/glossary/diarization/) (termino)
-   [Sample rate](https://broadrouter.com/fil/glossary/sample-rate/) (termino)
-   [Timestamps (speech-to-text)](https://broadrouter.com/fil/glossary/timestamps-asr/) (termino)
-   [Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/) (gabay)
-   [Voice note sa text para sa negosyo: WhatsApp at Telegram sa ticket](https://broadrouter.com/fil/blog/voice-notes-to-text-for-business/) (artikulo)
-   [Paano i-transcribe ang call center recording: pipeline para sa Arabic](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [Silero VAD, opisyal na GitHub repository](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, Python interface para sa WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, speech to text guide (chunking\_strategy na may VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [API reference ng BroadNet Inference, transcription (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-vad&utm_content=sources)
