---
title: "Cos’è la voice activity detection (VAD)? Guida per l’ASR"
description: "La voice activity detection individua le parti di un audio con parlato. Come lavora su frame da 10–30 ms e taglia i silenzi prima della trascrizione."
url: https://broadrouter.com/it/glossary/vad/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/vad/) (aggiornato il 2026-11-14).

# Voice activity detection (VAD)

Aggiornato 2026-11-14

La voice activity detection (VAD, rilevamento dell’attività vocale) è un passaggio di elaborazione del segnale che classifica brevi frame audio come parlato o non parlato. I sistemi vocali la usano per saltare i silenzi, dividere registrazioni lunghe nelle pause, capire quando chi parla ha finito ed evitare di trascrivere il rumore di fondo.

Detto anche: rilevamento dell’attività vocale, rilevamento del parlato, rilevamento dei silenzi, rimozione dei silenzi, VAD, voice activity detection, speech activity detection, speech detection, silence detection

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

## 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](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/) 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](https://broadrouter.com/it/models/cohere-transcribe-arabic/); il [calcolatore dei costi speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) mostra quanto fanno risparmiare i minuti tagliati.

## Domande frequenti

### Qual è un buon VAD open source?

Due scelte comuni sono WebRTC VAD, un piccolo rilevatore classico con modalità di aggressività da 0 a 3, e Silero VAD, un modello neurale con licenza MIT di circa 2 MB che elabora un chunk da 30+ ms in meno di 1 ms su un solo thread di CPU.

### BroadNet applica la VAD al mio audio?

La documentazione di BroadNet non descrive impostazioni di VAD. Se ti serve controllarla, taglia i silenzi o dividi nelle pause dal tuo lato prima dell’upload.

### Come fa la VAD a ridurre il costo dello speech-to-text?

Le API a minuto fatturano l’audio che invii. Se una registrazione è silenzio per il 40% e invii solo le parti parlate, paghi circa il 60% dei minuti. Lascia le pause brevi, così le parole non vengono tagliate.

## Vedi anche

-   [Speech-to-text (riconoscimento vocale)](https://broadrouter.com/it/glossary/speech-to-text/) (termine)
-   [Speaker diarization (diarizzazione del parlato)](https://broadrouter.com/it/glossary/diarization/) (termine)
-   [Frequenza di campionamento (sample rate)](https://broadrouter.com/it/glossary/sample-rate/) (termine)
-   [Timestamp (speech-to-text)](https://broadrouter.com/it/glossary/timestamps-asr/) (termine)
-   [Trascrivere i vocali WhatsApp in testo con un’API](https://broadrouter.com/it/guides/transcribe-whatsapp-voice-notes/) (guida)
-   [Trascrivere i vocali per le aziende: da WhatsApp e Telegram ai ticket](https://broadrouter.com/it/blog/voice-notes-to-text-for-business/) (articolo)
-   [Trascrivere le chiamate del call center: pipeline pronta per l’arabo](https://broadrouter.com/it/blog/transcribe-call-center-recordings/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Silero VAD, repository GitHub ufficiale](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, interfaccia Python per il WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, guida allo speech-to-text (chunking\_strategy con VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Riferimento API di BroadNet Inference, trascrizione (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-vad&utm_content=sources)
