¿Qué es la detección de actividad de voz? Es encontrar las partes de una grabación que contienen habla y omitir el silencio y el ruido. Un detector marca cada tramo corto como habla o no habla. Los segmentos con habla se pasan al siguiente paso y los huecos se descartan o se ignoran.
Transcribe una grabación
Envía tu mensaje de voz, audio o vídeo a @potok_now_bot en Telegram y el texto te llega en el chat.
Abrir @potok_now_bot en Telegram
Archivos de hasta 2 GB · exportación a TXT, MD, DOCX, PDF, SRT y VTT · etiquetas de hablantes y marcas de tiempo · unos 30 idiomas
Datos clave
- Los detectores simples comparan el volumen de un tramo con un umbral, mientras que los más potentes usan un modelo entrenado que distingue el habla de otros sonidos.
- Recortar el silencio ahorra tiempo y costo de procesamiento, porque el reconocedor no lee minutos de una sala vacía.
- La detección de habla también da un tiempo aproximado de inicio y de fin para cada frase, que los pasos posteriores pueden reutilizar para los fragmentos de subtítulos.
- Los errores van en dos direcciones: una palabra suave cortada al inicio de una frase, o una tos o un pasaje de música tratados como habla.
- Un detector que funciona con un archivo de estudio silencioso puede fallar en una calle ruidosa, porque el ruido suena tan fuerte como la voz.
Cómo se ve
// 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
Más
Consulta la lista completa de idiomas, las herramientas y el glosario.
Preguntas frecuentes
¿Por qué detectar la voz antes de transcribir?
Elimina el silencio y el ruido, así que el reconocedor trabaja solo con habla. Esto reduce la probabilidad de palabras inventadas en los huecos.
¿VAD es lo mismo que la reducción de ruido?
No. La detección decide qué partes conservar. La reducción de ruido cambia el sonido dentro de esas partes. Se pueden usar juntas.
¿Puede VAD cortar el principio de una frase?
Sí, cuando alguien empieza hablando bajito. Los buenos sistemas añaden un pequeño margen alrededor de cada segmento para no recortar el primer sonido.
¿Necesito recortar el silencio antes de enviar a Potok?
No. Envía la grabación completa tal cual, de hasta 2 GB. Recortar solo ayuda a reducir un archivo muy grande.
¿Cómo puedo encontrar huecos de silencio en un archivo?
Usa el filtro silencedetect de ffmpeg. Imprime el inicio y el fin de cada parte silenciosa según el umbral que elijas.
Fuentes
Cada fuente se abrió a mano en la fecha indicada. Las páginas cambian, así que abre la fuente si un detalle te importa.
- Voice activity detection (Wikipedia), Wikipedia · comprobado
- Background noise (Wikipedia), Wikipedia · comprobado
Pruébalo con tu propia grabación
Envía tu mensaje de voz, audio o vídeo a @potok_now_bot en Telegram y el texto te llega en el chat.
Abrir @potok_now_bot en Telegram