---
title: "O que é voice activity detection (VAD) na transcrição?"
description: "Voice activity detection identifica os trechos de um áudio que têm fala. Como funciona em frames de 10–30 ms e corta silêncios antes da transcrição."
url: https://broadrouter.com/pt/glossary/vad/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/vad/) (atualizado em 2026-11-14).

# Voice activity detection (VAD)

Atualizado em 2026-11-14

Voice activity detection (VAD, detecção de atividade de voz) é uma etapa de processamento de sinal que classifica frames curtos de áudio como fala ou não fala. Sistemas de voz a usam para pular silêncios, dividir gravações longas nas pausas, detectar quando alguém terminou de falar e evitar transcrever ruído de fundo.

Também chamado de: detecção de atividade de voz, detecção de fala, detecção de silêncio, remoção de silêncio, VAD, voice activity detection, speech activity detection, speech detection, silence detection

O VAD responde a uma única pergunta, muitas vezes por segundo: tem alguém falando neste pedaço de áudio?

## Como funciona

O áudio é cortado em frames curtos e cada frame recebe um rótulo de fala ou não fala. Os dois detectores abertos mais usados mostram os parâmetros típicos:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| Tipo | detector clássico do projeto WebRTC do Google | modelo neural pré-treinado, licença MIT |
| Taxas de amostragem | 8, 16, 32 ou 48 kHz | 8 ou 16 kHz |
| Frame ou chunk | 10, 20 ou 30 ms | 30+ ms |
| Formato de áudio | só PCM mono de 16 bits | conforme a documentação do repositório |
| Ajuste | agressividade de 0 (filtra menos) a 3 (filtra mais) | veja os exemplos do repositório |
| Velocidade | código C pequeno | menos de 1 ms por chunk em uma thread de CPU; modelo de cerca de 2 MB |

Tamanho do frame e [taxa de amostragem](https://broadrouter.com/pt/glossary/sample-rate/) andam juntos. A 16.000 amostras por segundo, um frame de 30 ms tem 16.000 x 0,030 = 480 amostras, ou 960 bytes de áudio de 16 bits. Os rótulos brutos dos frames oscilam, então as ferramentas os suavizam: exigem algumas centenas de milissegundos de fala antes de abrir um segmento e um pouco de silêncio antes de fechá-lo.

APIs hospedadas usam a mesma ideia. O guia de speech-to-text da OpenAI permite definir `chunking_strategy` como `auto` ou como uma configuração de VAD em áudios com mais de 30 segundos para o seu modelo de diarização, que o guia lista como descontinuado.

## Por que isso importa

-   **Custo.** APIs de speech-to-text costumam cobrar por minuto de áudio. Cortar silêncios longos antes do upload reduz os minutos cobrados.
-   **Latência.** Menos áudio enviado significa uma requisição menor e menos coisa para processar.
-   **Limites de arquivo.** Dividir nas pausas, e não em tempos fixos, evita cortar uma palavra ao meio quando um arquivo é grande demais para uma requisição.
-   **Voice bots.** Detectar o fim de um turno define a rapidez com que um bot responde.

O VAD também é a primeira etapa da [diarização de locutores](https://broadrouter.com/pt/glossary/diarization/).

## Na BroadNet Inference

A documentação da BroadNet não descreve configurações de VAD nem uma opção de remoção de silêncio para `/v1/audio/transcriptions`. Você envia WAV ou MP3 de até 26.214.400 bytes e recebe `{"text": ...}`. Se o seu áudio tem pausas longas, como costuma acontecer com áudios de voz e gravações de chamadas, rode o WebRTC VAD ou o Silero VAD localmente, mantenha os trechos com fala e envie só esses. O [guia de áudios do WhatsApp](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) mostra a conversão com ffmpeg para 16 kHz mono, aceita pelos dois detectores. A transcrição é cobrada por minuto, $0.0042 no [BroadNet Transcribe Arabic](https://broadrouter.com/pt/models/cohere-transcribe-arabic/); a [calculadora de custo de speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) mostra quanto os minutos cortados economizam.

## Perguntas frequentes

### Qual é um bom VAD open source?

Duas escolhas comuns são o WebRTC VAD, um detector clássico e pequeno com modos de agressividade de 0 a 3, e o Silero VAD, um modelo neural com licença MIT de cerca de 2 MB que processa um chunk de 30+ ms em menos de 1 ms em uma única thread de CPU.

### A BroadNet aplica VAD no meu áudio?

A documentação da BroadNet não descreve configurações de VAD. Se você precisa controlar isso, corte os silêncios ou divida nas pausas do seu lado antes do upload.

### Como o VAD reduz o custo de speech-to-text?

APIs cobradas por minuto cobram o áudio que você envia. Se uma gravação tem 40% de silêncio e você envia só os trechos com fala, paga cerca de 60% dos minutos. Mantenha as pausas curtas para não cortar palavras.

## Veja também

-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [Diarização de locutores (speaker diarization)](https://broadrouter.com/pt/glossary/diarization/) (termo)
-   [Taxa de amostragem (sample rate)](https://broadrouter.com/pt/glossary/sample-rate/) (termo)
-   [Timestamps (speech-to-text)](https://broadrouter.com/pt/glossary/timestamps-asr/) (termo)
-   [Transcrever áudios do WhatsApp para texto com uma API](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) (guia)
-   [Transcrever áudios para empresas: do WhatsApp e Telegram a tickets](https://broadrouter.com/pt/blog/voice-notes-to-text-for-business/) (artigo)
-   [Como transcrever gravações de call center: pipeline pronto para árabe](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [Silero VAD, repositório oficial no GitHub](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, interface Python para o WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, guia de speech-to-text (chunking\_strategy com VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Referência da API da BroadNet Inference, transcrição (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-vad&utm_content=sources)
