VAD

VAD (Voice Activity Detection) — определение участков записи, где есть речь. Он находит границы фраз, отбрасывает тишину и шум и режет длинную запись на куски по паузам, а не по таймеру.

Зачем он нужен

Модель распознавания не умеет читать двухчасовой файл целиком: у неё есть предел длины отрезка. Поэтому запись сначала делится на фрагменты — и делить её надо не по таймеру, а по паузам, иначе слово разрежется пополам и не распознается ни в одной из половин. Границы для нарезки и находит VAD.

Нарезка длинной записи по паузам, а не по минутам.
Отбрасывание участков без речи: тишина, шум кондиционера, стук по столу.
Подготовка отрезков для разделения по голосам — по тишине узнать голос не получится.
В потоковом режиме — определение конца фразы, чтобы отдать готовый текст, а не ждать вечно.

Расшифровать запись с диктофона →

Что бывает, когда он ошибается

Пропущенная тихая речь: сказанное шёпотом на дальнем конце стола принято за тишину — фраза в тексте отсутствует целиком.
Шум, принятый за речь: кашель, скрип двери и музыка попадают в распознавание и превращаются в случайные слова.
Слишком ранняя граница: фраза обрезана на полуслове, и последнее слово теряется.
Слишком поздняя: в один отрезок попадают два говорящих, и разделение по голосам на нём смазывается.

Почему в расшифровке нет пауз и шумов

Это следствие работы VAD, а не «умной чистки текста»: участки без речи в распознавание просто не попадают, поэтому в тексте нет пустых строк и шумовых «слов». На цену это не влияет: оплачивается длительность записи целиком, вместе с паузами, — длинные пустые хвосты дешевле отрезать до загрузки.

Попробуйте на своей записи

Запись с диктофона или из мессенджера — разберём начало бесплатно.

Загружайте запись любой длины — бесплатно расшифруем первые 3 минуты. Без регистрации.

Вопросы

VAD и диаризация — что это значит и чем отличаются?

Это два разных шага обработки записи. VAD (Voice Activity Detection) отвечает только на вопрос «здесь есть речь или тишина» и режет запись на отрезки со звучащей речью. Диаризация работает после и отвечает на другой вопрос — «кто из участников говорит на этом отрезке», раскладывая реплики по голосам. Проще говоря: VAD находит речь, диаризация делит её между людьми. Обойтись одним нельзя: без VAD распознавание тратится на тишину, без диаризации текст сливается в один поток без указания, кто что сказал.

VAD — это шумоподавление?

Нет. Шумоподавление меняет сам звук, пытаясь убрать помеху. VAD ничего не меняет: он только отвечает, есть ли на отрезке речь, и где её границы.

Почему в тексте пропала короткая реплика?

Чаще всего это ошибка VAD: очень тихое или очень короткое «да» на фоне шума не отличается от самого шума. Помогает одно — микрофон ближе к говорящим.

Влияет ли VAD на цену?

Нет. VAD решает, какие куски попадут в распознавание, но оплачивается длительность записи целиком, вместе с паузами и шумом. Если в записи длинное молчание в начале или в конце, его дешевле отрезать до загрузки.

Как VAD работает в потоке?

Он определяет момент, когда фраза закончилась, и по этой границе отдаётся окончательный текст. Без него поток либо сыпал бы обрывками, либо ждал бы конца записи.

Страница обновлена 6 октября 2026