La VAD risponde a una sola domanda, molte volte al secondo: in questo pezzetto di audio c’è qualcuno che parla?
Come funziona
L’audio viene tagliato in frame brevi e ogni frame riceve un’etichetta di parlato o non parlato. I due rilevatori open più usati mostrano i parametri tipici:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Tipo | rilevatore classico del progetto WebRTC di Google | modello neurale pre-addestrato, licenza MIT |
| Frequenze di campionamento | 8, 16, 32 o 48 kHz | 8 o 16 kHz |
| Frame o chunk | 10, 20 o 30 ms | 30+ ms |
| Formato audio | solo PCM mono a 16 bit | come documentato nel repository |
| Regolazione | aggressività da 0 (filtra meno) a 3 (filtra di più) | vedi gli esempi del repository |
| Velocità | piccolo codice C | meno di 1 ms per chunk su un thread di CPU; modello di circa 2 MB |
Dimensione del frame e frequenza di campionamento sono legate. A 16.000 campioni al secondo, un frame da 30 ms è 16.000 x 0,030 = 480 campioni, cioè 960 byte di audio a 16 bit. Le etichette grezze dei frame sfarfallano, quindi gli strumenti le smussano: chiedono qualche centinaio di millisecondi di parlato prima di aprire un segmento, e un po’ di silenzio prima di chiuderlo.
Le API ospitate usano la stessa idea. La guida allo speech-to-text di OpenAI ti permette di impostare chunking_strategy su auto o su una configurazione VAD per audio più lunghi di 30 secondi con il suo modello di diarizzazione, che la guida indica come deprecato.
Perché è importante
- Costo. Le API speech-to-text di solito fatturano a minuto di audio. Tagliare i silenzi lunghi prima dell’upload riduce i minuti fatturati.
- Latenza. Meno audio caricato significa una richiesta più piccola e meno da elaborare.
- Limiti sui file. Dividere nelle pause, anziché a intervalli fissi, evita di spezzare una parola a metà quando un file è troppo grande per una sola richiesta.
- Voice bot. Rilevare la fine di un turno decide quanto velocemente risponde un bot.
La VAD è anche il primo stadio della diarizzazione dei parlanti.
Su BroadNet Inference
La documentazione di BroadNet non descrive impostazioni di VAD né un’opzione per tagliare i silenzi su /v1/audio/transcriptions. Carichi WAV o MP3 fino a 26.214.400 byte e ricevi {"text": ...}. Se il tuo audio ha pause lunghe, come capita spesso con vocali e registrazioni di chiamate, esegui WebRTC VAD o Silero VAD in locale, tieni le parti parlate e invia quelle. La guida ai vocali WhatsApp spiega la conversione con ffmpeg in 16 kHz mono, accettata da entrambi i rilevatori. La trascrizione ha un prezzo al minuto, $0.0042 su BroadNet Transcribe Arabic; il calcolatore dei costi speech-to-text mostra quanto fanno risparmiare i minuti tagliati.