Kodeki i kodowanie dźwięku

VAD

Inne nazwy: Voice Activity Detection

Co to jest VAD?

VAD to wykrywanie aktywności głosowej, czyli rozpoznawanie, czy fragment sygnału zawiera mowę. Jest funkcją przetwarzania dźwięku, a nie wykrywaniem tożsamości mówiącego. Algorytm może pomylić cichy głos z ciszą lub potraktować hałas jako aktywność.

Do czego służy VAD?

Wynik VAD może sterować ograniczaniem transmisji ciszy, nagrywaniem lub dalszą analizą audio. Sam detektor nie przesądza, czy pakiety przestaną być wysyłane: to decyzja mechanizmu korzystającego z jego wyniku. Nie należy utożsamiać VAD z usuwaniem szumu.

Jak może mi pomóc VAD?

W systemie z wieloma połączeniami wykrywanie przerw może zmniejszać średnią ilość przesyłanych danych, jeżeli działa wraz z DTX. W aplikacji transkrypcyjnej pomaga oddzielać wypowiedzi od pustych odcinków. Trzeba zachować wystarczający margines, aby nie ucinać początku słów.

Jakie problemy rozwiązuje VAD?

Objawem zbyt agresywnego ustawienia jest znikanie pierwszych sylab lub cichych odpowiedzi. Weryfikuje się nagranie wejściowe, próg detekcji i czas podtrzymania aktywności po wypowiedzi. VAD nie rozwiąże problemu przesterowanego mikrofonu ani nie zagwarantuje oszczędności w stale hałaśliwym otoczeniu.

Technologia

Algorytmy analizują między innymi energię, widmo i zmiany sygnału w czasie. Zaawansowane implementacje wykorzystują modele mowy. Wynik może uruchamiać DTX, a odbiorca odtwarzać szum komfortowy na podstawie przesłanych parametrów zamiast otrzymywać pełny strumień ciszy.

Gdzie można wykorzystać VAD?

VAD występuje w kodekach, softphone’ach, mostkach konferencyjnych i systemach rozpoznawania mowy. Podczas testów warto uwzględnić spokojny głos, krótkie potwierdzenia i hałas klimatyzacji. Sam test głośnego czytania nie ujawni wszystkich błędów wykrywania.