Glosario
La Detección de Actividad de Voz (VAD) es el paso de preprocesamiento que encuentra qué partes de una grabación de audio contienen voz y cuáles no. Es un clasificador binario por cada marco de audio — "voz" o "no voz". VAD se ejecuta antes de la ASR para omitir el silencio (ahorrando cómputo) y antes de la diarización para encontrar los segmentos que merecen ser agrupados.
¿Qué detecta VAD?
Voz frente a todo lo demás. "Todo lo demás" incluye silencio, música, ruido de tráfico, aplausos, risas, clics de ratón, sonidos de respiración y ruido de fondo. Un buen modelo VAD tiene una alta tasa de recuperación en voz silenciosa (susurros, voces lejanas) sin falsos positivos en ruidos que tienen características similares al habla (audio de TV, conversaciones distantes).
¿Por qué es importante VAD?
Tres razones. (1) Cómputo: La ASR es costosa; no ejecutarla en 30 minutos de silencio en una grabación de 1 hora ahorra dinero real. (2) Calidad: Whisper alucina con silencios largos — inventará texto que suena plausible. VAD previene esto simplemente no enviando el silencio al modelo. (3) Diarización: agrupar incrustaciones de hablantes solo tiene sentido en el habla real — VAD filtra los segmentos.
Modelos VAD comunes
Silero VAD — pequeño (1.8MB), rápido, se ejecuta en CPU, gran calidad. Código abierto. La opción de facto para la mayoría de los pipelines de producción. WebRTC VAD — más antiguo, muy rápido (microsegundos por marco), pero menos preciso en audio ruidoso. pyannote VAD — más pesado, más lento, pero de vanguardia en casos difíciles. Usamos Silero en nuestro pipeline como un filtro previo barato antes de enviar el audio a Whisper.
En la práctica
Sube una grabación de Zoom de 60 minutos donde 25 minutos son silencio (alguien silenciado, monólogo de pantalla compartida, etc.). Sin VAD, enviaríamos los 60 minutos completos a Whisper. Con VAD, solo enviamos los 35 minutos de habla real — un ahorro de cómputo del 40% y la transcripción no contiene texto alucinado de los segmentos de silencio.
Términos relacionados
Lecturas adicionales
Probar la transcripción de reuniones
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does VAD (Voice Activity Detection) mean in transcription?
Un paso de preprocesamiento que detecta qué partes de un flujo de audio contienen voz frente a silencio o ruido. Ahorra tiempo de procesamiento al omitir segmentos sin voz.
Why does VAD (Voice Activity Detection) matter when choosing a transcription workflow?
VAD (Voice Activity Detection) affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply VAD (Voice Activity Detection) on Transcript.you?
Use the related workflow at /zoom-to-text when you want to see how this glossary concept connects to an actual transcription task.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.