Talegenkendelse og modeller
Taleaktivitetsdetektion (VAD)
Teknikken, der afgør, hvor i en lydoptagelse der faktisk tales, og hvor der er stille.
Taleaktivitetsdetektion, på engelsk voice activity detection og forkortet VAD, er teknikken, der afgør, hvor i et lydspor der tales, og hvor der er stille.
Den er et forberedende trin, ikke et resultat i sig selv. Men den påvirker meget af det, du mærker.
Hvad den bruges til
At klippe stilhed væk. En mødeoptagelse på to timer kan indeholde tyve minutter uden tale. VAD lader systemet springe dem over, hvilket gør transskriptionen hurtigere og billigere.
At dele lange optagelser op. Modeller behandler lyd i stykker. VAD finder naturlige klippepunkter i pauser i stedet for midt i et ord.
At afslutte diktering. Når du dikterer, og systemet stopper af sig selv efter nogle sekunders stilhed, er det VAD, der har bestemt, at du var færdig.
At styre optagelse. Optagefunktioner, der kun optager, når nogen taler, bygger på det samme.
Hvorfor pauser forsvinder
En sideeffekt værd at kende: hvis stilheden klippes væk, forsvinder også oplysningen om, hvor lange pauserne var. For et mødereferat betyder det intet. For samtaleanalyse i forskning, hvor pauselængde er data, er det et tab. Har du brug for pauserne, må du bede om verbatim transskription med pausemarkering, og tjekke, at værktøjet faktisk beholder dem.
VAD har også svært ved jævn baggrundsstøj, som ventilation, fordi grænsen mellem tale og støj bliver mindre tydelig.