VAD ہر سیکنڈ میں کئی بار ایک ہی سوال کا جواب دیتی ہے: کیا آڈیو کے اس ٹکڑے میں کوئی بول رہا ہے؟
یہ کیسے کام کرتی ہے
آڈیو کو چھوٹے فریمز میں کاٹا جاتا ہے اور ہر فریم پر اسپیچ یا نان اسپیچ کا لیبل لگتا ہے۔ سب سے زیادہ استعمال ہونے والے دو اوپن ڈیٹیکٹر عام پیرامیٹرز دکھاتے ہیں:
| WebRTC VAD | Silero VAD | |
|---|---|---|
| قسم | Google کے WebRTC پروجیکٹ کا کلاسک ڈیٹیکٹر | پہلے سے تربیت یافتہ نیورل ماڈل، MIT لائسنس |
| سیمپل ریٹ | 8، 16، 32 یا 48 kHz | 8 یا 16 kHz |
| فریم یا چنک | 10، 20 یا 30 ms | 30+ ms |
| آڈیو فارمیٹ | صرف 16-bit مونو PCM | جیسا ریپوزٹری میں درج ہے |
| ٹیوننگ | aggressiveness 0 (سب سے کم فلٹرنگ) سے 3 (سب سے زیادہ) | ریپوزٹری کی مثالیں دیکھیں |
| رفتار | چھوٹا C کوڈ | ایک CPU تھریڈ پر فی چنک 1 ms سے کم؛ تقریباً 2 MB کا ماڈل |
فریم کا سائز اور سیمپل ریٹ آپس میں جڑے ہیں۔ فی سیکنڈ 16,000 سیمپلز پر 30 ms کا فریم 16,000 x 0.030 = 480 سیمپلز ہوتا ہے، یعنی 16-bit آڈیو کے 960 بائٹ۔ فریم کی سطح کے خام لیبل بار بار بدلتے رہتے ہیں، اس لیے ٹولز انہیں ہموار کرتے ہیں: سیگمنٹ کھولنے سے پہلے چند سو ملی سیکنڈ کی اسپیچ اور بند کرنے سے پہلے کچھ خاموشی ضروری رکھتے ہیں۔
ہوسٹڈ API بھی یہی طریقہ اپناتے ہیں۔ OpenAI کی اسپیچ ٹو ٹیکسٹ گائیڈ اپنے ڈائرائزیشن ماڈل کے لیے 30 سیکنڈ سے لمبے آڈیو پر chunking_strategy کو auto یا کسی VAD کنفیگریشن پر سیٹ کرنے دیتی ہے؛ گائیڈ اس ماڈل کو deprecated بتاتی ہے۔
یہ کیوں اہم ہے
- لاگت۔ اسپیچ ٹو ٹیکسٹ API عموماً فی آڈیو منٹ بل کرتے ہیں۔ اپ لوڈ سے پہلے لمبی خاموشی ہٹانے سے بل ہونے والے منٹ کم ہوتے ہیں۔
- لیٹنسی۔ کم آڈیو اپ لوڈ ہونے کا مطلب ہے چھوٹی درخواست اور کم پروسیسنگ۔
- فائل کی حد۔ جب فائل ایک درخواست کے لیے بہت بڑی ہو تو مقررہ وقت کے بجائے وقفوں پر کاٹنے سے کوئی لفظ بیچ سے نہیں کٹتا۔
- وائس بوٹس۔ بولنے والے کی باری ختم ہونے کی پہچان طے کرتی ہے کہ بوٹ کتنی جلدی جواب دے گا۔
VAD اسپیکر ڈائرائزیشن کا بھی پہلا مرحلہ ہے۔
BroadNet Inference پر
BroadNet کی دستاویزات /v1/audio/transcriptions کے لیے نہ VAD سیٹنگز درج کرتی ہیں، نہ خاموشی ہٹانے کا کوئی آپشن۔ آپ 26,214,400 بائٹ تک کی WAV یا MP3 اپ لوڈ کرتے ہیں اور بدلے میں {"text": ...} پاتے ہیں۔ اگر آپ کے آڈیو میں لمبے وقفے ہیں، جیسا وائس نوٹس اور کال ریکارڈنگز میں اکثر ہوتا ہے، تو WebRTC VAD یا Silero VAD لوکل چلائیں، اسپیچ والے حصے رکھیں اور وہی بھیجیں۔ WhatsApp وائس نوٹس گائیڈ 16 kHz مونو میں ffmpeg کنورژن بتاتی ہے، جسے دونوں ڈیٹیکٹر قبول کرتے ہیں۔ ٹرانسکرپشن کی قیمت فی منٹ ہے، BroadNet Transcribe Arabic پر $0.0042؛ اسپیچ ٹو ٹیکسٹ کاسٹ کیلکولیٹر دکھاتا ہے کہ ہٹائے گئے منٹوں سے کتنی بچت ہوتی ہے۔