Detecção de Atividade de Voz (VAD)
Classe de processamento de áudio, VAD decide quadro a quadro se há fala presente antes de enviar ou reconhecer o sinal. Algoritmos usam energia, espectro ou redes neurais em janelas de 10–30 ms. Comparado a gravar continuamente, reduz dados, latência e custo de ASR, mas pode cortar sílabas ou confundir música e ruído com voz. É comum em assistentes, intercomunicadores e chamadas, onde limiares e tempo de hangover precisam ser ajustados ao ambiente.
Detecção de Atividade de Voz é a etapa que segmenta o fluxo de áudio em regiões com e sem fala. O algoritmo analisa quadros curtos, normalmente de 10 a 30 ms, e usa energia, distribuição espectral, periodicidade ou modelos neurais para estimar a probabilidade de voz. Assistentes utilizam VAD para definir quando começar e terminar a captura enviada ao ASR; intercomunicadores usam o resultado para reduzir banda e ruído. Parâmetros como limiar, tempo de ataque e hangover evitam cortar o início ou o final das palavras. Ambientes com televisão, música, eco e ventilação desafiam a classificação. Um VAD agressivo reduz dados, mas pode eliminar fala baixa; um VAD permissivo aumenta falsas ativações e processamento.
- Classifica trechos curtos de áudio como fala ou não fala antes do reconhecimento
- Reduz transmissão, gravação e processamento de silêncio ou ruído
- Tempos de ataque e hangover preservam o começo e o final das palavras
- Música, televisão, eco e fala distante podem aumentar falsos positivos e falsos negativos