Presná definícia
Čo znamená detekcia hlasovej aktivity?
Detekcia hlasovej aktivity (VAD) označuje časové úseky, v ktorých je prítomná reč, oproti tichu a nerečovým zvukom. Nemusí rozpoznať slová ani identitu. Výstup riadi segmentáciu, prenos a ASR, preto oneskorené hranice môžu odrezať začiatok alebo koniec výpovede.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Videohovor používa VAD na obmedzenie prenosu počas ticha a na označenie aktívneho mikrofónu. Prah a hangover čas sa testujú na šepote, hudbe a hluku. Krátky predbežný buffer zachová prvú slabiku bez trvalého ukladania rozhovoru.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Ako funguje detekcia hlasovej aktivity?
Model z krátkych akustických rámcov odhaduje pravdepodobnosť reči a stavový filter s prahmi z nej vytvorí súvislé segmenty.
Kedy má detekcia hlasovej aktivity praktický význam?
Videohovor používa VAD na obmedzenie prenosu počas ticha a na označenie aktívneho mikrofónu.
S čím si pojem nezamieňať?
Keyword spotting zisťuje konkrétne slovo; VAD zisťuje akúkoľvek reč bez interpretácie obsahu.
Ako sa výsledok kontroluje?
Používa sa frame precision-recall, miss a false alarm, chyba hraníc, latencia, hangover a dopad na WER následného ASR.
Na čo si dať pozor?
Hudba a televízor sa môžu tváriť ako reč, šepot sa stratí a agresívne prahy odrežú fonémy na hraniciach.