Was ist Sprachaktivitätserkennung? Sie findet die Teile einer Aufnahme, die Sprache enthalten, und überspringt Stille und Rauschen. Ein Detektor stuft jeden kurzen Abschnitt als Sprache oder Nicht-Sprache ein. Die Sprachsegmente werden weitergereicht, die Lücken fallen weg oder werden ignoriert.
Aufnahme transkribieren
Senden Sie Ihre Sprachnachricht, Audio- oder Videodatei an @potok_now_bot in Telegram, und der Text kommt im Chat zurück.
@potok_now_bot in Telegram öffnen
Dateien bis 2 GB · Export als TXT, MD, DOCX, PDF, SRT und VTT · Sprecherkennzeichnung und Zeitmarken · rund 30 Sprachen
Wichtige Fakten
- Einfache Detektoren vergleichen die Lautstärke eines Abschnitts mit einem Schwellwert, stärkere nutzen ein trainiertes Modell, das Sprache von anderen Klängen trennt.
- Das Abschneiden von Stille spart Zeit und Kosten bei der Verarbeitung, denn der Erkenner liest keine Minuten eines leeren Raums.
- Die Spracherkennung liefert auch grobe Start- und Endzeiten jeder Phrase, die spätere Schritte für Untertitel-Einblendungen weiterverwenden können.
- Fehler gehen in zwei Richtungen: ein leises Wort am Phrasenanfang wird abgeschnitten, oder ein Husten oder eine Musikpassage gilt als Sprache.
- Ein Detektor, der bei einer ruhigen Studiodatei funktioniert, kann auf einer lauten Straße versagen, weil das Rauschen so laut ist wie die Stimme.
So sieht es aus
// list silent gaps longer than half a second
ffmpeg -i call.wav -af silencedetect=noise=-30dB:d=0.5 -f null -
// silence_start: 12.4
// silence_end: 15.9 | silence_duration: 3.5
// silence_start: 41.0
// the stretches between these gaps are the speech segments
Mehr
Sehen Sie sich die vollständige Liste der Sprachen, die Werkzeuge und das Glossar an.
Häufige Fragen
Warum die Stimme vor dem Transkribieren erkennen?
So entfallen Stille und Rauschen, und der Erkenner arbeitet nur an Sprache. Das senkt die Gefahr erfundener Wörter in den Lücken.
Ist VAD dasselbe wie Rauschunterdrückung?
Nein. Die Erkennung entscheidet, welche Teile bleiben. Rauschunterdrückung verändert den Klang innerhalb der Teile. Beides lässt sich kombinieren.
Kann VAD den Satzanfang abschneiden?
Ja, wenn jemand leise beginnt. Gute Systeme legen einen kurzen Rand um jedes Segment, damit der erste Laut nicht abgeschnitten wird.
Muss ich vor dem Senden an Potok Stille abschneiden?
Nein. Senden Sie die ganze Aufnahme, wie sie ist, bis 2 GB. Kürzen hilft nur, eine sehr große Datei zu verkleinern.
Wie finde ich stille Lücken in einer Datei?
Nutzen Sie den Filter silencedetect in ffmpeg. Er gibt Anfang und Ende jedes leisen Abschnitts für die gewählte Schwelle aus.
Quellen
Jede Quelle wurde am angegebenen Datum von Hand geöffnet. Seiten ändern sich, öffnen Sie die Quelle also, wenn Ihnen ein Detail wichtig ist.
- Voice activity detection (Wikipedia), Wikipedia · geprüft
- Background noise (Wikipedia), Wikipedia · geprüft
Probieren Sie es mit Ihrer eigenen Aufnahme aus
Senden Sie Ihre Sprachnachricht, Audio- oder Videodatei an @potok_now_bot in Telegram, und der Text kommt im Chat zurück.
@potok_now_bot in Telegram öffnen