VAD는 1초에도 여러 번 같은 질문에 답합니다. 이 오디오 조각에서 누군가 말하고 있는가?
작동 방식
오디오를 짧은 프레임으로 자르고, 각 프레임에 음성 또는 비음성 라벨을 붙입니다. 가장 많이 쓰이는 오픈 감지기 두 가지를 보면 대표적인 파라미터를 알 수 있습니다.
| WebRTC VAD | Silero VAD | |
|---|---|---|
| 유형 | Google WebRTC 프로젝트의 고전적인 감지기 | 사전 학습된 신경망 모델, MIT 라이선스 |
| 샘플링 레이트 | 8, 16, 32, 48kHz | 8, 16kHz |
| 프레임 또는 청크 | 10, 20, 30ms | 30ms 이상 |
| 오디오 형식 | 16비트 모노 PCM만 | 저장소 문서 참고 |
| 튜닝 | 공격성 0(필터링 최소)~3(최대) | 저장소 예제 참고 |
| 속도 | 작은 C 코드 | CPU 스레드 하나에서 청크당 1ms 미만, 모델 약 2MB |
프레임 크기와 샘플링 레이트는 서로 연결되어 있습니다. 초당 16,000샘플이라면 30ms 프레임은 16,000 x 0.030 = 480샘플, 16비트 오디오로 960바이트입니다. 프레임 단위 라벨은 그대로 두면 깜빡이듯 자주 바뀌므로, 도구들은 이를 평활화합니다. 수백 밀리초 이상 음성이 이어져야 구간을 열고, 어느 정도 무음이 이어져야 구간을 닫는 식입니다.
호스팅 API도 같은 원리를 씁니다. OpenAI의 음성 인식 가이드에서는 화자 분리 모델에 30초보다 긴 오디오를 보낼 때 chunking_strategy를 auto 또는 VAD 설정으로 지정할 수 있습니다. 가이드는 이 모델을 지원 중단 목록에 올려 두었습니다.
왜 중요한가
- 비용. 음성 인식 API는 보통 오디오 분 단위로 과금합니다. 업로드 전에 긴 무음을 잘라내면 과금 분량이 줄어듭니다.
- 지연 시간. 업로드하는 오디오가 줄면 요청이 작아지고 처리할 양도 줄어듭니다.
- 파일 크기 제한. 파일이 커서 한 번의 요청에 담기지 않을 때, 고정된 시간이 아니라 쉬는 지점에서 나누면 단어가 반으로 잘리지 않습니다.
- 음성 봇. 발화 턴이 끝났는지 감지하는 속도가 봇이 얼마나 빨리 답하는지를 좌우합니다.
VAD는 화자 분리의 첫 단계이기도 합니다.
BroadNet Inference에서는
BroadNet 문서에는 /v1/audio/transcriptions에 대한 VAD 설정이나 무음 제거 옵션이 나와 있지 않습니다. 최대 26,214,400바이트의 WAV나 MP3를 업로드하면 {"text": ...}가 돌아옵니다. 음성 메시지나 통화 녹음처럼 오디오에 긴 공백이 많다면, 로컬에서 WebRTC VAD나 Silero VAD를 실행해 음성 구간만 남겨서 보내세요. 두 감지기 모두 받아들이는 16kHz 모노로 ffmpeg 변환하는 방법은 WhatsApp 음성 메시지 가이드에 있습니다. 전사는 분당 요금이며, BroadNet Transcribe Arabic의 요금은 분당 $0.0042입니다. 무음을 잘라내면 얼마나 아낄 수 있는지는 음성 인식 비용 계산기에서 확인할 수 있습니다.