---
title: "Что такое VAD (детектор речи) в распознавании речи? | BroadRouter"
description: "Детекция речевой активности находит в аудио фрагменты с речью. Как VAD работает на кадрах 10–30 мс, как вырезает тишину перед транскрибацией и что это экономит."
url: https://broadrouter.com/ru/glossary/vad/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/vad/) (обновлён 2026-11-14).

# Детекция речевой активности (VAD)

Обновлено 2026-11-14

Детекция речевой активности (voice activity detection, VAD) — это этап обработки сигнала, который помечает короткие кадры аудио как речь или не речь. Речевые системы используют её, чтобы пропускать тишину, делить длинные записи по паузам, понимать, что собеседник договорил, и не транскрибировать фоновый шум.

Также называют: детекция речевой активности, детектор речевой активности, детектор речи, детектор голосовой активности, обнаружение тишины, удаление тишины, VAD, voice activity detection, speech activity detection, speech detection, silence detection

VAD много раз в секунду отвечает на один вопрос: говорит ли кто-то в этом кусочке аудио?

## Как это работает

Аудио нарезают на короткие кадры, и каждый кадр получает метку «речь» или «не речь». Типичные параметры видны на двух самых популярных открытых детекторах:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| Тип | классический детектор из проекта Google WebRTC | предобученная нейросетевая модель, лицензия MIT |
| Частоты дискретизации | 8, 16, 32 или 48 кГц | 8 или 16 кГц |
| Кадр или фрагмент | 10, 20 или 30 мс | от 30 мс |
| Формат аудио | только 16-битный моно PCM | как описано в репозитории |
| Настройка | агрессивность от 0 (минимум фильтрации) до 3 (максимум) | см. примеры в репозитории |
| Скорость | компактный код на C | менее 1 мс на фрагмент на одном потоке CPU; модель около 2 МБ |

Размер кадра и [частота дискретизации](https://broadrouter.com/ru/glossary/sample-rate/) связаны. При 16 000 отсчётов в секунду кадр 30 мс — это 16 000 × 0,030 = 480 отсчётов, или 960 байт 16-битного аудио. Сырые метки кадров «мерцают», поэтому инструменты их сглаживают: сегмент открывается только после нескольких сотен миллисекунд речи и закрывается после некоторой паузы.

Облачные API используют ту же идею. Руководство OpenAI по распознаванию речи позволяет задать `chunking_strategy` как `auto` или конфигурацию VAD для аудио длиннее 30 секунд в её модели диаризации, которую руководство помечает как устаревшую.

## Почему это важно

-   **Стоимость.** API распознавания речи обычно тарифицируют за минуту аудио. Если вырезать длинные паузы до загрузки, оплачиваемых минут станет меньше.
-   **Задержка.** Меньше аудио — меньше запрос и меньше работы на обработку.
-   **Лимиты файлов.** Если файл слишком велик для одного запроса, деление по паузам, а не через фиксированные интервалы, не разрежет слово пополам.
-   **Голосовые боты.** От того, как быстро определяется конец реплики, зависит скорость ответа бота.

VAD также служит первым этапом [диаризации дикторов](https://broadrouter.com/ru/glossary/diarization/).

## В BroadNet Inference

В документации BroadNet не описаны ни настройки VAD, ни опция удаления тишины для `/v1/audio/transcriptions`. Вы загружаете WAV или MP3 размером до 26 214 400 байт и получаете в ответ `{"text": ...}`. Если в аудио есть длинные паузы, как часто бывает в голосовых сообщениях и записях звонков, запустите WebRTC VAD или Silero VAD локально, оставьте фрагменты с речью и отправьте их. [Руководство по голосовым сообщениям WhatsApp](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/) показывает конвертацию через ffmpeg в 16 кГц моно, которую принимают оба детектора. Транскрибация оплачивается поминутно, $0.0042 у [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/); [калькулятор стоимости распознавания речи](https://broadrouter.com/tools/speech-to-text-cost-calculator/) показывает, сколько экономят вырезанные минуты.

## Вопросы и ответы

### Какой VAD с открытым кодом выбрать?

Два распространённых варианта: WebRTC VAD — небольшой классический детектор с режимами агрессивности от 0 до 3, и Silero VAD — нейросетевая модель под лицензией MIT размером около 2 МБ, которая обрабатывает фрагмент от 30 мс менее чем за 1 мс на одном потоке CPU.

### Применяет ли BroadNet VAD к моему аудио?

В документации BroadNet настройки VAD не описаны. Если вам нужен контроль над этим, вырезайте тишину или делите запись по паузам на своей стороне до загрузки.

### Как VAD снижает стоимость распознавания речи?

API с поминутной оплатой тарифицируют всё отправленное аудио. Если запись на 40% состоит из тишины и вы отправляете только фрагменты с речью, вы платите примерно за 60% минут. Оставляйте короткие паузы, чтобы не обрезать слова.

## См. также

-   [Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/) (термин)
-   [Диаризация дикторов (speaker diarization)](https://broadrouter.com/ru/glossary/diarization/) (термин)
-   [Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/) (термин)
-   [Временные метки в распознавании речи (timestamps)](https://broadrouter.com/ru/glossary/timestamps-asr/) (термин)
-   [Голосовые сообщения WhatsApp в текст через API](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/) (руководство)
-   [Голосовые в текст для бизнеса: из WhatsApp и Telegram в тикеты](https://broadrouter.com/ru/blog/voice-notes-to-text-for-business/) (статья)
-   [Транскрибация записей колл-центра: конвейер с поддержкой арабского](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Silero VAD, официальный репозиторий на GitHub](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, Python-интерфейс к WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, руководство по распознаванию речи (chunking\_strategy с VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Справочник API BroadNet Inference, транскрибация (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-vad&utm_content=sources)
