---
title: "VAD (phát hiện hoạt động giọng nói) là gì? | BroadRouter"
description: "VAD tìm những đoạn audio có tiếng nói. VAD hoạt động trên khung 10 đến 30 ms ra sao, cắt khoảng lặng trước khi chép lời thế nào và tiết kiệm được gì."
url: https://broadrouter.com/vi/glossary/vad/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/vad/) (cập nhật ngày 2026-11-14).

# VAD (phát hiện giọng nói)

Cập nhật 2026-11-14

Voice activity detection (VAD) là bước xử lý tín hiệu phân loại từng khung audio ngắn là có tiếng nói hay không. Hệ thống giọng nói dùng nó để bỏ qua khoảng lặng, tách bản ghi dài tại chỗ ngắt, nhận biết khi người nói đã dừng và tránh chép lời tiếng ồn nền.

Còn gọi là: VAD là gì, phát hiện giọng nói, phát hiện hoạt động giọng nói, phát hiện tiếng nói, phát hiện khoảng lặng, cắt khoảng lặng, voice activity detection, speech activity detection, speech detection, silence detection

VAD trả lời một câu hỏi nhiều lần mỗi giây: trong lát audio này có ai đang nói không?

## Cách hoạt động

Audio được cắt thành các khung ngắn và mỗi khung được gắn nhãn có tiếng nói hoặc không. Hai bộ phát hiện mở được dùng nhiều nhất cho thấy các tham số điển hình:

|  | WebRTC VAD | Silero VAD |
| --- | --- | --- |
| Loại | bộ phát hiện cổ điển từ dự án WebRTC của Google | model neural huấn luyện sẵn, giấy phép MIT |
| Tần số lấy mẫu | 8, 16, 32 hoặc 48 kHz | 8 hoặc 16 kHz |
| Khung hoặc đoạn | 10, 20 hoặc 30 ms | 30+ ms |
| Định dạng audio | chỉ PCM mono 16-bit | theo tài liệu trong repo |
| Tinh chỉnh | aggressiveness từ 0 (lọc ít nhất) đến 3 (nhiều nhất) | xem ví dụ trong repo |
| Tốc độ | code C nhỏ gọn | dưới 1 ms mỗi đoạn trên một luồng CPU; model khoảng 2 MB |

Kích thước khung và [tần số lấy mẫu](https://broadrouter.com/vi/glossary/sample-rate/) gắn liền với nhau. Ở 16.000 mẫu mỗi giây, một khung 30 ms là 16.000 x 0,030 = 480 mẫu, tức 960 byte audio 16-bit. Nhãn thô theo từng khung hay nhấp nháy, nên các công cụ làm mượt chúng: cần vài trăm mili giây tiếng nói mới mở một đoạn, và cần một khoảng lặng mới đóng đoạn đó lại.

Các API được host cũng dùng ý tưởng này. Hướng dẫn speech-to-text của OpenAI cho phép đặt `chunking_strategy` thành `auto` hoặc một cấu hình VAD với audio dài hơn 30 giây cho model diarization của họ; hướng dẫn liệt kê model này là đã ngừng hỗ trợ.

## Vì sao quan trọng

-   **Chi phí.** API speech-to-text thường tính tiền theo phút audio. Cắt các khoảng lặng dài trước khi tải lên sẽ giảm số phút bị tính.
-   **Độ trễ.** Tải lên ít audio hơn nghĩa là request nhỏ hơn và ít thứ phải xử lý hơn.
-   **Giới hạn file.** Khi file quá lớn cho một request, tách tại chỗ ngắt thay vì theo mốc thời gian cố định sẽ tránh cắt đôi một từ.
-   **Voice bot.** Việc nhận biết khi nào một lượt nói kết thúc quyết định bot trả lời nhanh đến đâu.

VAD cũng là bước đầu tiên của [speaker diarization](https://broadrouter.com/vi/glossary/diarization/).

## Trên BroadNet Inference

Tài liệu của BroadNet không mô tả thiết lập VAD hay tùy chọn cắt khoảng lặng nào cho `/v1/audio/transcriptions`. Bạn tải lên WAV hoặc MP3 tối đa 26.214.400 byte và nhận lại `{"text": ...}`. Nếu audio có nhiều khoảng trống dài, như tin nhắn thoại và bản ghi cuộc gọi thường có, hãy chạy WebRTC VAD hoặc Silero VAD ở máy của bạn, giữ các đoạn có tiếng nói và gửi những đoạn đó. [Hướng dẫn chép lời tin nhắn thoại WhatsApp](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/) có lệnh ffmpeg chuyển sang 16 kHz mono mà cả hai bộ phát hiện đều chấp nhận. Chép lời được tính giá theo phút, $0.0042 trên [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/); [công cụ tính chi phí speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) cho thấy số phút được cắt bớt tiết kiệm bao nhiêu.

## Câu hỏi thường gặp

### VAD mã nguồn mở nào dùng tốt?

Hai lựa chọn phổ biến là WebRTC VAD, một bộ phát hiện cổ điển nhỏ gọn với các mức aggressiveness từ 0 đến 3, và Silero VAD, một model neural giấy phép MIT nặng khoảng 2 MB, xử lý một đoạn 30+ ms trong chưa đến 1 ms trên một luồng CPU.

### BroadNet có áp dụng VAD cho audio của tôi không?

Tài liệu của BroadNet không mô tả thiết lập VAD nào. Nếu cần tự kiểm soát, hãy cắt khoảng lặng hoặc tách tại các chỗ ngắt ở phía bạn trước khi tải lên.

### VAD giúp giảm chi phí speech-to-text như thế nào?

API tính theo phút sẽ tính tiền phần audio bạn gửi. Nếu bản ghi có 40% là khoảng lặng và bạn chỉ gửi các đoạn có tiếng nói, bạn trả cho khoảng 60% số phút. Hãy giữ lại các khoảng ngắt ngắn để từ không bị cắt cụt.

## Xem thêm

-   [Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/) (thuật ngữ)
-   [Speaker diarization (phân tách người nói)](https://broadrouter.com/vi/glossary/diarization/) (thuật ngữ)
-   [Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/) (thuật ngữ)
-   [Timestamp trong speech-to-text (dấu thời gian ASR)](https://broadrouter.com/vi/glossary/timestamps-asr/) (thuật ngữ)
-   [Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/) (hướng dẫn)
-   [Tin nhắn thoại thành văn bản cho doanh nghiệp: WhatsApp, Telegram](https://broadrouter.com/vi/blog/voice-notes-to-text-for-business/) (bài viết)
-   [Chép lời ghi âm tổng đài: pipeline sẵn sàng cho tiếng Ả Rập](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [Silero VAD, kho GitHub chính thức](https://github.com/snakers4/silero-vad)
-   [py-webrtcvad, giao diện Python cho WebRTC VAD](https://github.com/wiseman/py-webrtcvad)
-   [OpenAI, hướng dẫn speech to text (chunking\_strategy với VAD)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Tài liệu tham khảo BroadNet Inference API, chép lời (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-vad&utm_content=sources)
