Voice Activity Detection
Ses akışındaki konuşma ve konuşma dışı bölgeleri ayırarak segmentasyon, endpointing ve ASR işlem yükünü yöneten ses etkinliği algılama işlemi.
VAD (Voice Activity Detection), ses akışında konuşma bulunan ve bulunmayan bölgeleri belirler. Enerji tabanlı kurallardan sinir ağı modellerine kadar farklı yöntemlerle uygulanabilir.
ASR İçin Neden Önemlidir?
VAD yalnız sessizliği atmak için kullanılmaz. Konuşma başlangıç/bitiş kararı, modele gönderilen segmentin uzunluğunu ve dolayısıyla:
- bağlam miktarını,
- inference süresini,
- kuyruk yükünü,
- kullanıcıya görünen gecikmeyi
doğrudan etkiler.
Hangover ve Birleştirme
Konuşma sonunda kısa bir bekleme (hangover) kullanmak kelime sonlarının kesilmesini azaltabilir; fakat endpoint latency'yi yükseltir. Kısa sessizlikleri birleştirmek segment sayısını azaltabilir, çok agresif birleştirme ise gereksiz uzun parçalar üretir.
Sınır
VAD konuşmacı kimliğini veya transcript içeriğini belirlemez. Gürültü, müzik, nefes ve kanal koşulları konuşma dışı/speech kararını etkileyebilir; eşikler kullanılacağı veri üzerinde ölçülmelidir.
Uygulama bağlamı: VAD Kütüphanesi Geliştirme, Whisper Mimarisi.
İlgili makale: Ses Bölütleme
Doğrudan kaynak: Voice Activity Detection için kullanılan teknik dayanak yukarıdaki birincil çalışma veya resmî belirtimdir.