Glossaire
La détection d'activité vocale (VAD) est l'étape de pré-traitement qui permet de déterminer quelles parties d'un enregistrement audio contiennent de la parole et lesquelles n'en contiennent pas. Il s'agit d'un classificateur binaire par trame audio — "parole" ou "non parole". Le VAD s'exécute avant la reconnaissance automatique de la parole (ASR) pour sauter les silences (économisant du calcul) et avant la diarisation pour trouver les segments à regrouper.
Ce que la DAV détecte
Parole vs tout le reste. "Tout le reste" inclut le silence, la musique, le bruit de la circulation, les applaudissements, les rires, les clics de souris, les sons de respiration et les conversations croisées. Un bon modèle de DAV a une haute recall sur la parole discrète (chuchotements, voix lointaines) sans faux positifs sur le bruit qui a des caractéristiques similaires à la parole (audio TV, conversations lointaines).
Pourquoi la DAV est importante
Trois raisons. (1) Calcul: La reconnaissance automatique de la parole (ASR) est coûteuse; ne pas l'exécuter sur 30 minutes de silence dans un enregistrement d'une heure fait économiser de l'argent réel. (2) Qualité: Whisper hallucine sur les longs silences — il inventera du texte plausible. Le VAD empêche cela en n'envoyant tout simplement pas le silence au modèle. (3) Diarisation: Le regroupement des embeddings de locuteurs n'a de sens que sur des discours réels — le VAD filtre les segments.
Modèles de DAV courants
Silero VAD — petit (1,8 Mo), rapide, fonctionne sur CPU, excellente qualité. Open source. Le choix de facto pour la plupart des pipelines de production. WebRTC VAD — plus ancien, très rapide (microsecondes par trame), mais moins précis sur les audios bruyants. pyannote VAD — plus lourd, plus lent, mais état de l'art sur les cas difficiles. Nous utilisons Silero dans notre pipeline comme pré-filtre bon marché avant d'envoyer l'audio à Whisper.
En pratique
Déposez un enregistrement Zoom de 60 minutes où 25 minutes sont du silence (quelqu'un a mis en sourdine, monologue de partage d'écran, etc.). Sans DAV, nous enverrions les 60 minutes complètes à Whisper. Avec la DAV, nous n'envoyons que les 35 minutes de parole réelle — 40% d'économie de calcul et le transcript ne contient pas de texte halluciné à partir des segments de silence.
Termes associés
Lectures complémentaires
Essayez la transcription de réunion
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Une étape de pré-traitement qui détecte les parties d'un flux audio contenant de la parole par rapport au silence ou au bruit. Économise du temps de traitement en sautant les segments non vocaux.
Détection d'activité vocale (DAV) Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.
Utilisez le flux de travail associé à /zoom-to-text lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.
Parcourir le glossaire de transcription ou lisez le guide complet de la transcription IA.