VAD یا تشخیص فعالیت گفتار، بخش‌هایی از صوت را که احتمالاً گفتار دارند مشخص می‌کند. خروجی آن می‌تواند فهرست بازه‌های شروع و پایان باشد. این کار با تبدیل صدا به متن، تشخیص هویت گوینده یا حذف صدای پس‌زمینه تفاوت دارد. یک بازه ممکن است درست انتخاب شود اما متنش غلط باشد؛ برعکس، حذف اشتباه یک بخش می‌تواند کلمه‌ای را پیش از رسیدن به مرحله تشخیص گفتار از بین ببرد.
خروجی VAD را چطور بخوانیم؟
فرض کنید برای فایل آموزشی، دو بازه 1.0 تا 2.1 و 3.4 تا 5.0 ثبت شده است. پیش از بریدن فایل بپرسید واحد این اعداد چیست: ثانیه، میلی‌ثانیه یا شماره نمونه صوت؟ در نمونه رسمی Silero، گزینه‌ای برای برگرداندن زمان برحسب ثانیه وجود دارد؛ حالت خروجی را باید صریح ثبت کرد. ضرب یا تقسیم اشتباه واحد، کل مرزهای برش را جابه‌جا می‌کند.
| فناوری | پرسش اصلی | چیزی که از خروجی آن نتیجه نمی‌گیریم |
|---|---|---|
| VAD | کجا احتمالاً گفتار وجود دارد؟ | اینکه چه کلمه‌ای گفته شده است |
| تشخیص گفتار | چه واژه‌هایی شنیده می‌شود؟ | هویت قطعی صاحب صدا |
| کاهش نویز | چطور بخش ناخواسته سیگنال کم شود؟ | اینکه مرز جمله به‌درستی انتخاب شده است |
| تفکیک گوینده | کدام بخش‌ها به یک گوینده مربوط‌اند؟ | نام واقعی فرد بدون تأیید مستقل |
چرا قطع ابتدای جمله مهم است؟
در مثال ساختگی، جمله «نه، ارسال نکنید» آغاز آرامی دارد. اگر اولین بخش حذف شود، فایل باقی‌مانده ممکن است فقط «ارسال نکنید» یا بخش ناقص دیگری داشته باشد. بنابراین به درصد زمان حذف‌شده اکتفا نکنید. ابتدای کلمات، پایان فعل، مکث کوتاه وسط جمله و گفتار آرام را جدا گوش دهید. هیچ حاشیه زمانی ثابت را بدون آزمون برای همه زبان‌ها، میکروفن‌ها و کانال‌ها مناسب فرض نکنید.
برای بعضی کارها نگه‌داشتن مکث ارزش دارد. در آموزش مکالمه یا بررسی زمان انتظار، حذف سکوت می‌تواند معنی گزارش را عوض کند. پیش از برش خودکار مشخص کنید هدف، کوتاه‌کردن فایل برای پیاده‌سازی است یا نگه‌داشتن خط زمانی تماس. زمان نسخه برش‌خورده را نباید به‌جای زمان فایل اصلی به گزارش برگرداند.
آزمون کوچک اما معنادار طراحی کنید
- نسخه اصلی صوت و تنظیمات VAD را ثابت نگه دارید.
- نمونه‌های مجاز از گفتار آرام، مکث میان جمله، صدای پس‌زمینه و صحبت هم‌زمان انتخاب کنید.
- بازه‌ها را روی خط زمانی اصلی علامت بزنید؛ فایل خام را جایگزین نکنید.
- مرز انتخاب‌شده را با گوش‌دادن به قبل و بعد آن بررسی کنید.
- نتیجه را به دو خطا تقسیم کنید: حذف گفتار واقعی و نگه‌داشتن بخش غیرگفتاری.
- اگر متن پایین‌دستی لازم است، اثر بر کلمه و عدد مهم را هم بسنجید. کم‌شدن حجم، به‌تنهایی بهبود متن نیست.
VAD در تماس زنده با تصمیم پایان نوبت یکی نیست
ساکت‌شدن کوتاه مشتری لزوماً پایان جمله نیست. تصمیم پاسخ‌دادن ایجنت ممکن است به منطق نوبت‌گیری و زمینه مکالمه هم وابسته باشد. برای مسئله قطع حرف مشتری، راهنمای نوبت‌گیری صوتی را ببینید؛ اگر مسئله دیر شروع‌شدن پاسخ است، بودجه تأخیر هر مرحله موضوع مناسب‌تری است.
برای پروژه پیاده‌سازی فایل فارسی با اپرانگار، نمونه مجاز و نیاز حفظ زمان اصلی را با تیم اپرا مطرح کنید. این نوشته وجود یک تنظیم VAD مشخص در پنل یا API اپرا را ادعا نمی‌کند.
منبع نمونه خروجی بازه و واحد زمان: مخزن رسمی Silero VAD. مثال جمله و روال آزمون، پیشنهاد آموزشی این مقاله است و بنچمارک محصول محسوب نمی‌شود.
ادامه مسیر یادگیری
محاسبه WER فارسی؛ اثر ی، ک و رقم‌ها با مثال پایتون — برای سنجش متن حاصل از پیاده‌سازی، نمونه محاسبه WER فارسی قرارداد نگارش را از عملکرد تشخیص گفتار جدا می‌کند.