Что такое VAD (Voice Activity Detection)

VAD (Voice Activity Detection) — это определение участков записи, где действительно звучит речь, в отличие от тишины и шума. По определению из английской Википедии, это обнаружение присутствия или отсутствия речи человека, используемое в обработке речи. Практический пример: VAD отсекает паузы перед отправкой звука на распознавание.

Не всякий звук с микрофона — речь: часть записи занимает тишина, фоновый шум или посторонний шорох. Разбираться в этом вручную не нужно — этим занимается отдельный алгоритм на входе перед распознаванием речи, VAD.

Где термин всплывает в жизни

VAD определяет участки записи, где действительно звучит речь, в отличие от тишины и шума. Задача этого алгоритма — отделить содержательные фрагменты, где кто-то говорит, от того, что речью не является.

Практический пример: VAD отсекает паузы перед отправкой звука на распознавание — то есть на вход дальше идёт не вся запись подряд, а только те её участки, где действительно звучит речь.

По определению из английской Википедии, VAD — это обнаружение присутствия или отсутствия речи человека, используемое в обработке речи. Иными словами, это именно определение факта «есть речь / нет речи», а не что-либо ещё.

Смежные понятия — распознавание речи (ASR) и другие термины из словаря о распознавании речи.

Три шага диктовки в «Потоке»: зажал Ctrl + Space, сказал фразу вслух, текст появился в активном поле — Диктовка в «Потоке»: горячая клавиша, речь, готовый текст в том окне, где стоит курсор.

Определение VAD (Voice Activity Detection) без формул

VAD, или Voice Activity Detection, — это определение участков записи, где действительно звучит речь, в отличие от тишины и шума. Речь идёт именно об определении наличия речи в записи, а не о чём-то ином.

По определению из английской Википедии, VAD — это обнаружение присутствия или отсутствия речи человека, используемое в обработке речи. Отвечает VAD только на один вопрос — есть здесь речь или нет; он не занимается распознаванием слов — этим занимается отдельная технология, распознавание речи (ASR).

Термин	Что значит	Пример
VAD (Voice Activity Detection)	определение участков записи, где действительно звучит речь, в отличие от тишины и шума	VAD отсекает паузы перед отправкой звука на распознавание
ASR-модель	обученная нейросеть, которая непосредственно выполняет распознавание речи	качество диктовки напрямую зависит от качества ASR-модели
Восстановление регистра (capitalization restoration)	автоматическая простановка заглавных букв в начале предложений и в именах собственных	восстановление регистра превращает «иван приехал в москву» в «Иван приехал в Москву»
STT (Speech-to-Text)	другое название для распознавания речи — преобразование звучащей речи в текст	STT и ASR в быту часто используют как синонимы

Ограничения Потока по этой части

У «Потока» микрофон слушает звук только во время записи — пока зажата клавиша или между двумя нажатиями в режиме «Свободные руки», а не постоянно в фоне; начало и конец записи задаёт сам человек. «Поток» — облачный сервис, без интернета не работает.

Частые вопросы

Чем VAD отличается от распознавания речи (ASR)?

VAD только определяет, есть ли в записи речь, — отделяет её от тишины и шума. Распознавание речи (ASR) идёт дальше и превращает уже найденную речь в текст: это разные, хотя и связанные технологии.

Слушает ли «Поток» микрофон постоянно?

Нет: у «Потока» микрофон слушает звук только во время записи — пока зажата клавиша или между двумя нажатиями в режиме «Свободные руки», а не постоянно в фоне. Начало и конец записи задаёт сам человек нажатием клавиши.

Что такое VAD (Voice Activity Detection): что это и чем отличается?

Что такое VAD (Voice Activity Detection). «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Что такое VAD (Voice Activity Detection)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.

Что такое VAD (Voice Activity Detection): чем «Поток» отличается от встроенной диктовки?

Что такое VAD (Voice Activity Detection): работает ли распознавание без интернета?

Что такое VAD (Voice Activity Detection). Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Что такое VAD (Voice Activity Detection)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.

Что такое VAD (Voice Activity Detection): сколько стоит и что входит в бесплатный план?

Что такое VAD (Voice Activity Detection). Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Что такое VAD (Voice Activity Detection)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.

Если хотите сравнить сами

Возьмите одну свою задачу и надиктуйте её в «Потоке». Первые 14 дней — без ограничений и без карты. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.

Скачать «Поток»

В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.

Встроенная диктовка и «Поток»

По справке Microsoft и Apple.
Средство	Где работает	Русский язык	Где распознаётся речь
Голосовой ввод Windows (Win+H)	Windows 10 и 11	только в Windows 11	облако Microsoft, без интернета не работает
Диктовка macOS	macOS	есть	на устройстве или на серверах Apple
Поток	Windows, macOS, Linux	основной язык	облако, серверы в России, без интернета не работает

Первоисточники: en.wikipedia.org · support.microsoft.com