Talegjenkjenning og modeller
Taleaktivitetsdeteksjon (VAD)
Teknikken som avgjør hvor i et lydopptak det faktisk snakkes, og hvor det er stille.
Taleaktivitetsdeteksjon, på engelsk voice activity detection og forkortet VAD, er teknikken som avgjør hvor i et lydspor det snakkes og hvor det er stille.
Den er et forberedende steg, ikke et resultat i seg selv. Men den påvirker mye av det du merker.
Hva den brukes til
Å kutte stillhet. Et møteopptak på to timer kan inneholde tjue minutter uten tale. VAD lar systemet hoppe over dem, noe som gjør transkriberingen raskere og billigere.
Å dele opp lange opptak. Modeller behandler lyd i biter. VAD finner naturlige kuttpunkter i pauser i stedet for midt i et ord.
Å avslutte diktering. Når du dikterer og systemet stopper av seg selv etter noen sekunders stillhet, er det VAD som har bestemt at du var ferdig.
Å styre opptak. Opptaksfunksjoner som bare tar opp når noen snakker, bygger på det samme.
Hvorfor pauser forsvinner
En sideeffekt verdt å kjenne: hvis stillheten kuttes bort, forsvinner også informasjonen om hvor lange pausene var. For et møtereferat spiller det ingen rolle. For samtaleanalyse i forskning, der pauselengde er data, er det et tap. Trenger du pausene, må du be om verbatim transkripsjon med pausemarkering, og sjekke at verktøyet faktisk beholder dem.
VAD sliter også med jevn bakgrunnsstøy, som ventilasjon, fordi grensen mellom tale og støy blir mindre tydelig.