VAD, saniyede defalarca tek bir soruyu yanıtlar: sesin bu diliminde biri konuşuyor mu?
Nasıl çalışır
Ses kısa karelere bölünür ve her kare “konuşma” ya da “konuşma değil” diye etiketlenir. En çok kullanılan iki açık algılayıcı, tipik parametreleri gösteriyor:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| Tür | Google’ın WebRTC projesinden klasik algılayıcı | önceden eğitilmiş nöral model, MIT lisansı |
| Örnekleme hızları | 8, 16, 32 veya 48 kHz | 8 veya 16 kHz |
| Kare veya parça | 10, 20 veya 30 ms | 30+ ms |
| Ses formatı | yalnızca 16 bit mono PCM | depoda belgelendiği gibi |
| Ayar | agresiflik 0 (en az filtreleme) ile 3 (en çok) arası | depodaki örneklere bakın |
| Hız | küçük C kodu | tek CPU iş parçacığında parça başına 1 ms’nin altında; yaklaşık 2 MB model |
Kare boyutu ile örnekleme hızı birbirine bağlıdır. Saniyede 16.000 örnekte 30 ms’lik bir kare 16.000 x 0,030 = 480 örnek, yani 16 bit seste 960 bayttır. Ham kare etiketleri sürekli titreşir; bu yüzden araçlar onları yumuşatır: bir segmenti açmadan önce birkaç yüz milisaniyelik konuşma, kapatmadan önce de bir miktar sessizlik ister.
Barındırılan API’ler de aynı fikri kullanır. OpenAI’nin konuşmadan metne rehberi, 30 saniyeden uzun seslerde diarization modeli için chunking_strategy değerini auto veya bir VAD yapılandırması olarak ayarlamanıza izin verir; rehber bu modeli kullanımdan kaldırılmış (deprecated) olarak listeliyor.
Neden önemli
- Maliyet. Konuşmadan metne API’leri genellikle ses dakikası başına faturalandırır. Yüklemeden önce uzun sessizlikleri kesmek faturalanan dakikaları azaltır.
- Gecikme. Daha az ses yüklemek daha küçük bir istek ve işlenecek daha az veri demektir.
- Dosya sınırları. Bir dosya tek istek için fazla büyükse sabit sürelerden değil duraklamalardan bölmek, kelimelerin ortadan ikiye bölünmesini önler.
- Sesli botlar. Konuşma sırasının bittiğini algılamak, botun ne kadar hızlı yanıt vereceğini belirler.
VAD aynı zamanda konuşmacı ayrımının (diarization) ilk aşamasıdır.
BroadNet Inference’ta
BroadNet’in belgeleri /v1/audio/transcriptions için VAD ayarlarını veya bir sessizlik kırpma seçeneğini belgelemiyor. 26.214.400 bayta kadar WAV veya MP3 yüklersiniz ve {"text": ...} geri alırsınız. Sesli notlarda ve çağrı kayıtlarında sık görüldüğü gibi sesinizde uzun boşluklar varsa WebRTC VAD veya Silero VAD’i yerelde çalıştırın, konuşma bölgelerini tutun ve onları gönderin. WhatsApp sesli not rehberi, iki algılayıcının da kabul ettiği 16 kHz mono formata ffmpeg ile dönüştürmeyi anlatıyor. Transkripsiyon dakika başına fiyatlandırılır: BroadNet Transcribe Arabic için $0.0042. Kırpılan dakikaların ne kazandırdığını konuşmadan metne maliyet hesaplayıcısı gösteriyor.