Glossário
A Detecção de Atividade Vocal (VAD) é a etapa de pré-processamento que encontra quais partes de uma gravação de áudio contêm fala e quais não. É um classificador binário por quadro de áudio — "fala" ou "não fala". O VAD é executado antes do ASR para pular silêncios (economizando computação) e antes diarização para encontrar os segmentos dignos de agrupamento.
O que o VAD detecta
Fala vs tudo o mais. "Tudo o mais" inclui silêncio, música, ruído de tráfego, aplausos, risadas, cliques de mouse, sons de respiração e sobreposição de falas. Um bom modelo VAD tem alta recuperação em fala baixa (sussurros, vozes distantes) sem falsos positivos em ruído com características semelhantes à fala (áudio de TV, conversas distantes).
Por que o VAD importa
Três razões. (1) Computação: O ASR é caro; não executá-lo em 30 minutos de silêncio em uma gravação de 1 hora economiza dinheiro real. (2) Qualidade: Whisper alucina em silêncios longos — ele inventará texto que soa plausível. O VAD previne isso simplesmente não enviando silêncio para o modelo. (3) Diarização: o agrupamento de embeddings de falantes só faz sentido em fala real — o VAD porta os segmentos.
Modelos VAD comuns
Silero VAD — pequeno (1,8MB), rápido, executa no CPU, ótima qualidade. Código aberto. A escolha de fato para a maioria dos pipelines de produção. WebRTC VAD — mais antigo, muito rápido (microsegundos por quadro), mas menos preciso em áudio ruidoso. pyannote VAD — mais pesado, mais lento, mas estado da arte em casos difíceis. Usamos o Silero em nosso pipeline como um pré-filtro barato antes de enviar o áudio para o Whisper.
Na prática
Solte uma gravação de Zoom de 60 minutos onde 25 minutos são silêncio (alguém muteado, monólogo de compartilhamento de tela, etc.). Sem VAD, enviaríamos os 60 minutos completos para o Whisper. Com VAD, enviamos apenas os 35 minutos de fala real — 40% de economia de computação e a transcrição não contém texto alucinado de segmentos de silêncio.
Termos relacionados
Leitura adicional
Experimente transcrição de reuniões
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que VAD (Detecção de Atividade de Voz) significa na transcrição?
Uma etapa de pré-processamento que detecta quais partes de um fluxo de áudio contêm fala vs silêncio vs ruído. Economiza tempo de processamento pulando segmentos não-falados.
Por que VAD (Detecção de Atividade de Voz) importa ao escolher um fluxo de trabalho de transcrição?
VAD (Detecção de Atividade de Voz) afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar VAD (Detecção de Atividade de Voz) no Transcript.you?
Use o fluxo de trabalho relacionado em /zoom-to-text quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.