أغفل خط الأساس الرسمي لكاشف DIHARD III نسبة 4.97% من الكلام في مجموعة التقييم الأساسية، لكنه صنف غير الكلام خطأ على أنه كلام بمعدل 15.07%، أي ثلاثة أضعاف معدل الإغفال لديه. وهذه الفجوة هي القصة كلها في كشف النشاط الصوتي (VAD): فكل كاشف يوازن بين حالات الإغفال (كلام حقيقي يسقطه) والإنذارات الكاذبة (صمت أو موسيقى أو ضجيج يسمح بمروره)، وتحدد المعايير المرجعية أي الخطأين أهم. وفي تحدي Fearless Steps المرحلة 3 على صوت NASA Apollo، خفض أفضل نظام تكلفة الكشف لخط الأساس من 15.16% إلى 1.47%، بينما بلغ متوسط F1 لـ WebRTC VAD عند نسبة إشارة إلى ضجيج 0 dB نحو 0.581 فقط. وفي أول السلسلة كلها يبقى الضجيج العدو الرئيسي، ولهذا يُضبط VAD عادة مع زمن استجابة كتم الضجيج العصبي. جمعنا بيانات من تقييمات OpenSAT التابعة لـ NIST، وتحديي DIHARD III وFearless Steps، ودراستي AVA-Speech وحجم النافذة لعام 2026 من Google، ومواصفات الترميز في 3GPP وITU-T، وإرشادات الاتصالات الهاتفية من Cisco وAvaya، وأكثر من اثنتي عشرة ورقة محكمة وورقة أولية.
أبرز النقاط
- حسب NIST كشف نشاط الكلام بالصيغة 0.75 × معدل الإغفال + 0.25 × معدل الإنذار الكاذب، ما يجعل الإغفال أكثر كلفة بثلاثة أضعاف (NIST IR 8242، تجربة OpenSAT 2017 التجريبية).
- سجل خط الأساس في DIHARD III نسبة إغفال 4.97% وإنذار كاذب 15.07% على مجموعة التقييم الأساسية (ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020).
- بلغت تكلفة الكشف لأفضل نظام في Fearless Steps المرحلة 3 نسبة 1.47% على بيانات التقييم مقابل 15.16% لخط الأساس (Joglekar وآخرون، Interspeech 2021).
- على صوت DIHARD 3 سجل pyannote 2.0 إنذارا كاذبا 3.9% وإغفالا 3.3%، مقابل 17.0% و4.0% لـ Silero VAD المتاح عام 2021 (Bredin وLaurent، arXiv 2021).
- على مجموعة الضجيج البيئي ESC-50 سجل WebRTC VAD دقة 0، وSilero v5 نسبة 0.61، وSilero v6 نسبة 0.87 (Silero VAD Quality Metrics، ادعاء المشروع).
- عند نوافذ 50 ms بلغ معامل ارتباط ماثيوز لـ Silero نحو 0.72 مقابل 0.41 لـ WebRTC و0.11 لكاشف بسيط يعتمد على شدة الصوت (RMS) (McKinnon وآخرون، Google، arXiv 2026).
- عند 0 dB من نسبة الإشارة إلى الضجيج بلغ متوسط AUC لـ WebRTC VAD نحو 0.691 مقابل 0.956 لنموذج MagicNet ذي 22.7K معامل (Jia وآخرون، arXiv 2024).
- استغرق WebRTC VAD زمنا قدره 0.06 ms لكل قرار، وكاشف ResNet كبير 265 ms (Chaudhuri وآخرون، AVA-Speech، Interspeech 2018).
- تخطط Cisco لأن يوفر VAD ما يصل إلى 35 بالمئة من عرض النطاق الصوتي، لكن كمتوسط على أكثر من 24 مكالمة فقط (Cisco، Per Call Bandwidth Consumption).
- بلغ معدل أخطاء الكلمات في Whisper على كلام محشو بالضجيج نسبة 68.3% خلف WebRTC VAD و8.0% خلف Silero VAD (Barański وآخرون، arXiv 2025).
1. كيف تُقاس أخطاء VAD: الإغفال مقابل الإنذار الكاذب
قبل مقارنة أي رقمين لـ VAD، تحقق من قواعد التقييم. “الإنذار الكاذب” هو غير الكلام الموسوم بأنه كلام، و”الإغفال” هو الكلام الموسوم بأنه غير كلام. ثم يقرر المقيّمون كلفة كل خطأ ومقدار التسامح حول حدود المقاطع. ويسمى هذا التسامح هامش التسامح: نافذة قصيرة حول كل حد حقيقي للكلام لا تُحتسب فيها الأخطاء. وزنت NIST الإغفال بـ 0.75 والإنذار الكاذب بـ 0.25، على أساس أن “حالات الكشف المفقودة تُعد أكثر أهمية من الإنذارات الكاذبة” (NIST IR 8242، تجربة OpenSAT 2017 التجريبية).
والاتجاه منذ ذلك الحين نحو تقييم أشد صرامة. فقد تقلصت هوامش التسامح من 0.5 s إلى 0.25 s في Fearless Steps واختفت تماما في DIHARD III، ولذلك لا يصح مقارنة رقم من عام 2026 قُيّم بلا هامش برقم من عام 2017 قُيّم بهامش. وسلسلة NIST نفسها انتهت: تذكر صفحة برنامج OpenSAT أن حالته مكتملة، ولا يوجد تقييم بعد عام 2020.
| المقياس | القيمة | المصدر |
|---|---|---|
| أوزان دالة تكلفة الكشف المستخدمة لتقييم كشف نشاط الكلام | DCF = 0.75 × P_Miss + 0.25 × P_FA | NIST IR 8242، تجربة OpenSAT 2017 التجريبية |
| النافذة غير المحتسبة (هامش التسامح) حول كل مقطع كلام مرجعي، تجربة OpenSAT 2017 التجريبية | 0.5 s | NIST IR 8242، تجربة OpenSAT 2017 التجريبية |
| الفرق التي قدمت نتائج إلى تجربة OpenSAT 2017 التجريبية مقابل المواقع المسجلة | 22 مقابل 33 | NIST IR 8242، تجربة OpenSAT 2017 التجريبية |
| آخر تقييم OpenSAT ومجاله | OpenSAT20 (2020)، اتصالات السلامة العامة بالإنجليزية فقط | صفحة سلسلة تقييم NIST OpenSAT |
| هامش التسامح في التقييم، Fearless Steps المرحلة 3 مقابل المرحلة 2 | 0.25 s مقابل 0.5 s | Joglekar وآخرون، Fearless Steps المرحلة 3، Interspeech 2021 |
| هامش التسامح المستخدم في DIHARD III | لا شيء (“دون استخدام هوامش تسامح”)، مع احتساب الكلام المتداخل | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| الاتفاق بين المقيّمين البشريين الثلاثة الذين وسموا كل مقطع في AVA-Speech | كابا فلايس 0.74 (“كبير”) | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| طول المقطع المستخدم لتقييم Silero وكاشفات VAD المنافسة | 31.25 ms، مع ضبط العتبة على مجموعة تحقق متعددة المجالات مدتها 17 ساعة | ويكي Silero VAD Quality Metrics (ادعاء المشروع) |
السياق: حتى الحقيقة المرجعية نفسها فيها ضجيج. فقد وجدت دراسة من Amazon على 450 ساعة من الأفلام والمسلسلات أن ملفات الترجمة عالية الجودة المستخدمة كوسوم تحتوي على ما يصل إلى 15% من ضجيج الوسوم (Sharma وآخرون، Neurocomputing 2022). أحدث بيانات متاحة لقواعد تقييم NIST وAVA: من 2017 إلى 2019 و2018.
2. نتائج التحديات: معدلات الإغفال والإنذار الكاذب على الصوت الصعب
التحديات العامة هي المكان الذي يلتقي فيه VAD بصوت لم يضبطه أحد من أجله. وتظهر أرقام DIHARD III المشكلة الجوهرية: قفز معدل الإنذار الكاذب لخط الأساس من 3.98% على بيانات التطوير إلى 15.07% على مجموعة التقييم الأساسية، بينما تحرك معدل الإغفال لديه بدرجة أقل بكثير. فالكاشفات تفرط في التكيف مع ضجيج الخلفية الذي تدربت عليه، ويتحول الضجيج الجديد إلى كلام وهمي.
وتظهر نتائج Fearless Steps الطرف المقابل. فصوت مهمات NASA Apollo مليء بالضجيج ومتعدد القنوات وقديم منذ عقود، ومع ذلك خفض أفضل نظام في المرحلة 3 تكلفة الكشف إلى 1.47%، أي نحو عُشر خط الأساس. وتبين نظرة عامة على Fearless Steps المرحلة 3 الحد أيضا: لم تتفوق المرحلة 3 على أفضل نتيجة في المرحلة 2 وهي 1.07%، وظلت مجموعة Apollo-13 الفرعية أصعب من Apollo-11.
| المقياس | القيمة | المصدر |
|---|---|---|
| خط أساس DIHARD III، مجموعة التطوير الأساسية: الإغفال / الإنذار الكاذب / الخطأ الإجمالي | 1.84% / 3.98% / 2.30% | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| خط أساس DIHARD III، مجموعة التقييم الأساسية: الإغفال / الإنذار الكاذب / الخطأ الإجمالي | 4.97% / 15.07% / 7.26% | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| خط أساس DIHARD III، مجموعة التقييم الكاملة: الإغفال / الإنذار الكاذب / الخطأ الإجمالي | 4.35% / 14.65% / 6.51% | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| حجم مجموعة التقييم الأساسية في DIHARD III وحصة الكلام فيها | 184 تسجيلا، 22.73 ساعة، 77.35% كلام، 11 مجالا | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| المشاركة في Fearless Steps المرحلة 3 (جميع المسارات) | 9 منظمات في 14 فريقا مخصصا للمهام، و235 تقديما للأنظمة | Joglekar وآخرون، Interspeech 2021 |
| تكلفة الكشف لخط الأساس في Fearless Steps المرحلة 3، التطوير مقابل التقييم | 12.84% مقابل 15.16% | Joglekar وآخرون، Interspeech 2021 |
| أفضل تكلفة كشف في Fearless Steps المرحلة 3: التقييم الكامل / مجموعة Apollo-13 الفرعية / مجموعة القنوات غير المرئية الفرعية | 1.47% / 2.37% / 1.67% | Joglekar وآخرون، Interspeech 2021 |
| أفضل تكلفة كشف في Fearless Steps المرحلة 2 (ما زالت الأحدث بعد المرحلة 3) | 1.07% | Joglekar وآخرون، Interspeech 2021 |
ملاحظة عن القيم الشاذة: تقول ورقة DIHARD III إن كشف نشاط الكلام “يظل مشكلة صعبة في بعض المجالات المشمولة”، وإن تجزئة المتحدثين تدهورت “بشكل كارثي في بعضها” من دون تقسيم دقيق، مع استثناء الكتب الصوتية. وتتوفر الجداول الكاملة في ورقة تحدي DIHARD III. أحدث بيانات متاحة: DIHARD III (من 2020 إلى 2021) وFearless Steps المرحلة 3 (2021)؛ ولم يُجر أي من التحديين مسارا أحدث لكشف نشاط الكلام.
3. النماذج المفتوحة وجها لوجه: pyannote وSilero وWebRTC
تشحن معظم المنتجات أحد ثلاثة كاشفات مفتوحة: كاشف VAD القائم على معالجة الإشارة من مشروع WebRTC التابع لـ Google، أو كاشف Silero العصبي، أو نموذج التجزئة pyannote. وتتفق البيانات المستقلة على الترتيب، وتبلغ الفجوة أقصاها تماما حيث تفشل المنتجات: الصوت الذي فيه ضجيج فقط. على مقاطع الضجيج البيئي في ESC-50، سجل WebRTC VAD دقة 0، أي أنه اعتبر كل مقطع ضجيج كلاما، بينما أصاب Silero v6 في 0.87 منها (Silero VAD Quality Metrics، ادعاء المشروع نفسه).
وورقة pyannote 2.0 هي المرجع الأفضل لتقسيم الإنذار الكاذب مقابل الإغفال، لأنها تبلغ عنهما منفصلين على ثلاث مجموعات عامة (Bredin وLaurent، arXiv 2021). ويقلل ضبطها مجموعهما، ولذلك تستقر قرب التوازن (3.9% مقابل 3.3% على DIHARD 3). أما نموذج Silero من عام 2021 في الجدول نفسه فيُظهر النمط المائل الكلاسيكي: إغفالات قليلة وإنذارات كاذبة كثيرة. ويقصد بـ ROC-AUC المستخدم أدناه درجة من 0 إلى 1 لمدى فصل الكاشف بين الكلام وغير الكلام عبر جميع العتبات؛ أما معامل ارتباط ماثيوز (MCC) فدرجة من -1 إلى 1 تظل صادقة حين تهيمن فئة واحدة.
| المقياس | القيمة | المصدر |
|---|---|---|
| DIHARD 3: الإنذار الكاذب / الإغفال / إجمالي خطأ الكشف، pyannote 2.0 مقابل Silero VAD (إصدار 2021) | 3.9% / 3.3% / 7.3% مقابل 17.0% / 4.0% / 21.0% | Bredin وLaurent، arXiv 2021 |
| اجتماعات AMI: الإنذار الكاذب / الإغفال، pyannote 2.0 مقابل Silero VAD (إصدار 2021) | 3.6% / 3.2% مقابل 9.4% / 1.7% | Bredin وLaurent، arXiv 2021 |
| VoxConverse: الإنذار الكاذب / الإغفال، pyannote 2.0 مقابل Silero VAD (إصدار 2021) | 1.8% / 0.8% مقابل 3.0% / 1.1% | Bredin وLaurent، arXiv 2021 |
| ROC-AUC على مجموعة تحقق متعددة المجالات مدتها 17 ساعة: WebRTC / Silero v5 / Silero v6 | 0.73 / 0.96 / 0.97 | ويكي Silero VAD Quality Metrics (ادعاء المشروع) |
| ROC-AUC على 80 ساعة من كلام MSDWild المشوش: WebRTC مقابل Silero v6 | 0.62 مقابل 0.79 | ويكي Silero VAD Quality Metrics (ادعاء المشروع) |
| حصة مقاطع الضجيج في ESC-50 المرفوضة بشكل صحيح: WebRTC / Silero v5 / Silero v6 | 0 / 0.61 / 0.87 | ويكي Silero VAD Quality Metrics (ادعاء المشروع) |
| الدقة على مستوى العبارة لـ Silero VAD v5 على ESC-50 (تحقق مستقل) | 61% | Wang وآخرون، Calm-Whisper، arXiv 2025 |
| MCC عند نوافذ 50 ms على 1.1 ساعة من البودكاست والأفلام والموسيقى: RMS / WebRTC / Silero | 0.11 / 0.41 / 0.72 | McKinnon وآخرون، Google، arXiv 2026 |
السياق: وجد فريق Google أن إضافة الهستيريسيس (قاعدة تُبقي حالة الكلام أو غير الكلام الحالية إلى أن يتغير الدليل بوضوح) رفعت MCC لـ WebRTC من 0.41 إلى 0.47 ولم تفد Silero بشيء (McKinnon وآخرون، arXiv 2026). وتزعم ملاحظات إصدار Silero v6.0 نفسها انخفاض الأخطاء بنسبة 16% على بيانات واقعية مشوشة و11% على التحقق متعدد المجالات مقارنة بـ v5، وهو ادعاء مشروع لم يُعاد إنتاجه بعد بشكل مستقل.
4. الضجيج ونسبة الإشارة إلى الضجيج: أين ينهار الكشف
نسبة الإشارة إلى الضجيج (SNR) هي مستوى الكلام فوق الخلفية بالديسيبل؛ و0 dB تعني أن الكلام والضجيج بالارتفاع نفسه. وتُظهر كل مجموعة بيانات هنا النمط نفسه: الكلام النظيف مشكلة محلولة، أما الموسيقى والضجيج فلا. ففي مجموعة أفلام AVA-Speech من Google، بلغت نسبة الإشارة إلى الضجيج المقدرة للكلام النظيف 40.8 dB، لكنها للكلام فوق الموسيقى 11.7 dB فقط، وحتى معدل الإيجابيات الحقيقية لكاشف ResNet كبير انخفض من 0.992 على الكلام النظيف إلى 0.787 على الكلام مع الموسيقى (Chaudhuri وآخرون، AVA-Speech).
وإصلاح استرجاع الكلام المشوش يكلف عادة إنذارات كاذبة. فقد رفع كاشف Huawei الصغير لعام 2025 دقة الكلام المشوش على MS-SNSD من 15.9% إلى 89.9% بمرحلة معالجة مسبقة، لكن دقة غير الكلام على المجموعة نفسها انخفضت من 99.1% إلى 87.7% (Jafarzadeh Asl وآخرون، arXiv 2025). فلا يوجد شيء مجاني: نقطة التشغيل تتحرك فقط على منحنى المفاضلة.
| المقياس | القيمة | المصدر |
|---|---|---|
| نسبة الإشارة إلى الضجيج المقدرة في AVA-Speech: الكلام النظيف / الكلام مع ضجيج / الكلام مع موسيقى | 40.8 dB / 16.2 dB / 11.7 dB | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| معدل الإيجابيات الحقيقية في AVA-Speech عند معدل إيجابيات كاذبة ثابت 0.315، WebRTC VAD: نظيف / ضجيج / موسيقى | 0.786 / 0.706 / 0.733 | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| معدل الإيجابيات الحقيقية في AVA-Speech عند معدل الإيجابيات الكاذبة نفسه، نموذج ResNet-960: نظيف / ضجيج / موسيقى | 0.992 / 0.944 / 0.787 | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| متوسط F1 وAUC عند 0 dB (ضجيج أصوات متداخلة وسيارات وآلات)، WebRTC VAD مقابل MagicNet | F1 0.581 مقابل 0.859؛ AUC 0.691 مقابل 0.956 | Jia وآخرون، arXiv 2024 |
| دقة الكلام المشوش في MS-SNSD، خط أساس SG-VAD مقابل Huawei VAD مع المعالجة المسبقة | 15.9% مقابل 89.9% | Jafarzadeh Asl وآخرون، arXiv 2025 |
| دقة غير الكلام في MS-SNSD، خط أساس SG-VAD مقابل Huawei VAD مع المعالجة المسبقة | 99.1% مقابل 87.7% | Jafarzadeh Asl وآخرون، arXiv 2025 |
| معدل الإيجابيات الكاذبة اللازم لالتقاط 99% من الكلام، SG-VAD مقابل Huawei VAD مع المعالجة المسبقة | 58% مقابل 28% | Jafarzadeh Asl وآخرون، arXiv 2025 |
| متوسط الدقة المتوسطة لـ VAD الشخصي (المتحدث المستهدف)، خط الأساس مقابل أفضل نموذج: مجموعة اختبار نظيفة مقابل مجموعة اختبار مع ضجيج وصدى مضافين | 0.900 مقابل 0.969 نظيف؛ 0.801 مقابل 0.928 مشوش | Ding وآخرون، Google، Personal VAD، arXiv 2019 |
السياق: درّبت دراسة في ديسمبر 2025 كاشفات CNN هجينة على كلام كازاخي ممزوج بضجيج من -18 dB إلى +30 dB؛ وبلغت أفضل النماذج درجة F1 قدرها 99.6% وظلت متينة فوق -12 dB، بينما تعممت النماذج المدربة على مستوى ضجيج واحد بشكل سيئ (Kulakayeva وآخرون، ETASR 2025). ووجدت مراجعة Amazon للأفلام والمسلسلات أيضا أن النماذج ذات نحو 2M معامل أقل متانة أمام الضجيج من النماذج ذات نحو 0.5M. أحدث بيانات متاحة لـ AVA-Speech وPersonal VAD: 2018 و2019.
5. حجم الإطار وزمن الاستجابة وميزانية الحوسبة
يعمل VAD قبل كل شيء آخر، ولذلك يجب أن يكون رخيصا. والميزانيات في الأدبيات صغيرة جدا: يقرر WebRTC VAD على إطارات من 10 أو 20 أو 30 ms (توثيق py-webrtcvad)، وفي معيار AVA-Speech احتاج إلى 0.06 ms لكل قرار، مقابل 265 ms لأدق نموذج ResNet، الذي رفع في المقابل معدل الإيجابيات الحقيقية على كل الكلام من 0.722 إلى 0.917.
ويسد العمل في 2024 إلى 2026 هذه الفجوة من جهة النموذج. يعمل MagicNet بعامل زمن حقيقي (زمن المعالجة مقسوما على مدة الصوت) قدره 0.034 بـ 22.7K معامل، قريبا من 0.015 لـ WebRTC، بينما تذكر Silero أن نموذجها البالغ نحو 2 MB يعالج مقطعا مدته 30 ms أو أكثر في أقل من 1 ms على خيط معالجة واحد (Silero VAD README، ادعاء المشروع). ويُظهر Personal VAD سببا آخر للبقاء صغيرا: فقد بنته Google لتقييد التعرف على الكلام على الجهاز بحيث لا يستيقظ المتعرف إلا للمستخدم المسجل، فيقلل الحوسبة واستهلاك البطارية.
| المقياس | القيمة | المصدر |
|---|---|---|
| أطوال إطارات WebRTC VAD ووضعيات الحدة ومعدلات العينات | 10 أو 20 أو 30 ms؛ الوضعيات من 0 إلى 3؛ 8 أو 16 أو 32 أو 48 kHz، PCM أحادي 16 بت | توثيق py-webrtcvad |
| زمن الاستجابة لكل قرار، معيار AVA-Speech: WebRTC / CNN tiny_320 / CNN ResNet-960 | 0.06 ms / 2.23 ms / 265 ms | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| عامل الزمن الحقيقي على معالج Intel Xeon: WebRTC / MagicNet / MarbleNet | 0.015 / 0.034 / 0.038 | Jia وآخرون، arXiv 2024 |
| المعاملات: MagicNet / CRNN / MarbleNet | 22.7K / 36.8K / 85.2K | Jia وآخرون، arXiv 2024 |
| زمن معالجة Silero VAD وحجم النموذج | أقل من 1 ms لكل مقطع 30+ ms على خيط معالجة واحد؛ نحو 2 MB؛ ONNX أسرع حتى 4-5 أضعاف | Silero VAD README (ادعاء المشروع) |
| خطوة الإطار ومقطع الإدخال لنموذج تجزئة pyannote 2.0 | نحو 16 ms؛ مقاطع من 5 s | Bredin وLaurent، arXiv 2021 |
| الفاصل الزمني للقرار وعامل الزمن الحقيقي لـ EML SAD المباشر على معالج واحد (صوت Apollo) | نحو كل 0.1 s؛ نحو 0.002 | Ghahabi وFischer، arXiv 2021 |
| حجم Personal VAD، النموذج المعتمد على التضمين فقط مقابل خط المعالجة المعتمد على التحقق من المتحدث | 0.13M مقابل 4.88M + 0.06M معامل، قرار واحد كل 10 ms | Ding وآخرون، Google، Personal VAD، arXiv 2019 |
السياق: حجم الإطار رافعة للدقة أيضا. فقد حسبت دراسة النوافذ من Google لعام 2026 متوسط التنبؤات على نوافذ من 10 ms حتى 10 s، ووجدت أن Silero متقدمة بوضوح على WebRTC عند إعداد 100 ms. وتلطف النوافذ الأطول الاهتزاز لكنها تضيف تأخيرا، ولهذا تُبقي أدوات الصوت الفورية الإطار الأصلي قصيرا وتلطف النتائج بعد ذلك.
6. DTX في الاتصالات الهاتفية: عرض النطاق الموفر بعدم إرسال الصمت
في الاتصالات الهاتفية يسدد VAD ثمنه عبر الإرسال المتقطع (DTX): عندما لا يسمع الكاشف كلاما، يتوقف الهاتف عن إرسال حزم الصوت ويشغل الطرف البعيد “ضجيج الراحة” الاصطناعي حتى لا يبدو الخط ميتا. وتشير وثائق Avaya إلى أن أكثر من 40% من إرسال المحادثة صمت، لأن طرفا واحدا فقط يتحدث عادة في الوقت نفسه (وثائق Avaya Aura، إرشادات المورّد).
وأرقام التخطيط أكثر حذرا مما توحي به حصة الصمت. فتطلب Cisco من المهندسين الاعتماد على وفورات VAD عبر عدد كبير من المكالمات المتزامنة فقط (دليل Cisco لعرض النطاق لكل مكالمة، إرشادات المورّد)، لأن المكالمة الواحدة قد تكون كلها كلاما، ولأن الموسيقى أثناء الانتظار أو الفاكس تُربك الكاشف. وتسمي Avaya المفاضلة بين الخطأين صراحة: إذا كان الكاشف شديد الحدة تُقتطع بدايات الكلمات ونهاياتها (إغفالات)، وإذا لم يكن حادا بما يكفي فلا يُوفَّر عرض نطاق (إنذارات كاذبة). وللاطلاع على كيف يشكل توقيت الحزم جودة المكالمة بعد ذلك، راجع إحصائيات مخزن jitter في VoIP وPOLQA.
| المقياس | القيمة | المصدر |
|---|---|---|
| توفير عرض النطاق من VAD، كمتوسط على أكثر من 24 مكالمة | حتى 35 بالمئة، ولا يتحقق في كل مكالمة على حدة | Cisco، Voice Over IP Per Call Bandwidth Consumption (إرشادات المورّد) |
| الروابط التي تقول Cisco إنه يجب ألا تُحتسب عليها وفورات VAD | الروابط التي تحمل أقل من 24 مكالمة صوتية متزامنة | Cisco، Voice Over IP Per Call Bandwidth Consumption (إرشادات المورّد) |
| عرض نطاق Ethernet لكل مكالمة عند أحجام الحمولة الافتراضية، G.711 مقابل G.729 | 87.2 kbps مقابل 31.2 kbps | Cisco، Voice Over IP Per Call Bandwidth Consumption (إرشادات المورّد) |
| حصة الصمت من إرسال المحادثة | أكثر من 40% | وثائق Avaya Aura 10.2.x (إرشادات المورّد) |
| الحالة الافتراضية لكبت الصمت في Avaya Communication Manager | معطل، باستثناء G.729B حيث هو مدمج | وثائق Avaya Aura 10.2.x (إرشادات المورّد) |
| معدل البت الأساسي لـ ITU-T G.729؛ دور Annex B | 8 kbit/s؛ يضيف Annex B كلا من VAD وDTX وضجيج الراحة، ومضبوط للدارات، مع Appendices II وIII لـ VoIP | ملخص ITU-T Rec. G.729 (06/2012) |
| الفاصل الزمني لتحديث ضجيج الراحة في ترميز EVS: الافتراضي / نطاق المعدل الثابت / نطاق المعدل التكيفي | كل 8 إطارات / من 1 إلى 100 إطار / من 8 إلى 50 إطارا | 3GPP TS 26.449، توليد ضجيج الراحة في EVS |
السياق: تقول نظرة 3GPP العامة على EVS إن DTX يخفض متوسط معدل البت المطلوب، “مما يؤدي إلى إرسال أكثر كفاءة مع حمل أقل وبالتالي سعة أكبر”، لكنها لا تعطي نسبة مئوية واحدة (نظرة 3GPP TS 26.441 العامة). وملخص ITU-T G.729 يعود إلى يونيو 2012؛ وما زال أحدث نص متاح لعائلة هذا الترميز.
7. الضرر اللاحق: كيف تنتشر أخطاء VAD إلى التعرف على الكلام وتجزئة المتحدثين
نادرا ما يكون خطأ VAD هو الخطأ الأخير. فالإنذار الكاذب يمنح المتعرف على الكلام ضجيجا ليكتبه، والإغفال يحذف كلمات لا تستطيع أي مرحلة لاحقة استعادتها. وأوضح نتيجة مضبوطة جاءت من جامعة AGH في كراكوف: على كلام Common Voice المحشو بأصوات غير كلامية عند 9 dB من نسبة الإشارة إلى الضجيج، بلغ معدل أخطاء الكلمات في Whisper نسبة 68.3% مع وجود WebRTC VAD قبله و8.0% مع Silero VAD (Barański وآخرون، arXiv 2025). فاختيار الكاشف وحده غيّر الخطأ بنحو ثمانية أضعاف. وتمكن معدلات تتجاوز 100% هنا لأن الكلمات المختلقة تُحتسب إدخالات. وتغطي إحصائيات هلوسة التعرف على الكلام لدينا جانب المتعرف من هذا الإخفاق بتعمق.
ويشتري VAD الجيد السرعة ودقة التوقيت أيضا. فيستخدم WhisperX كاشف pyannote VAD لتقطيع الصوت إلى مقاطع كلام فقط ومعالجتها دفعيا، مما جعله أسرع بمقدار 11.8 مرة من Whisper العادي ورفع دقة توقيت الكلمات على اجتماعات AMI (Bain وآخرون، WhisperX، arXiv 2023). وعلى جانب تجزئة المتحدثين، وجد معيار أجرته ETH Zurich عام 2025 على 196.6 ساعة أن “الكلام المغفل هو حالة الإخفاق السائدة في جميع نماذج التجزئة” (Lanzendörfer وآخرون، arXiv 2025)؛ وتتتبع إحصائيات معدل خطأ تجزئة المتحدثين لدينا ميزانية الخطأ كاملة.
| المقياس | القيمة | المصدر |
|---|---|---|
| معدل أخطاء الكلمات في Whisper على كلام تسبقه أو تتبعه أصوات غير كلامية، WebRTC VAD مقابل Silero VAD | 68.3% مقابل 8.0% | Barański وآخرون، arXiv 2025 |
| المقارنة نفسها حين يتداخل الضجيج مع الكلام، WebRTC VAD مقابل Silero VAD | 75.4% مقابل 10.8% | Barański وآخرون، arXiv 2025 |
| سرعة النسخ مع المعالجة الدفعية المعتمدة على VAD، WhisperX مقابل Whisper | 11.8 ضعف مقابل 1.0 ضعف | Bain وآخرون، WhisperX، arXiv 2023 |
| دقة واسترجاع توقيت الكلمات على اجتماعات AMI (هامش تسامح 200 ms)، WhisperX مقابل Whisper | 84.1 / 60.3 مقابل 78.9 / 52.1 | Bain وآخرون، WhisperX، arXiv 2023 |
| متوسط الوقت غير الصوتي لكل تسجيل، متحدثون مصابون بالحبسة مقابل متحدثين ضابطين (قيس بـ pyannote وأكد بـ Silero) | 6.8 s مقابل 1.3 s (p < 2.2e-16) | Koenecke وآخرون، Careless Whisper، ACM FAccT 2024 |
| متوسط الوقت غير الصوتي، تسجيلات هلوس فيها Whisper مقابل تسجيلات لم يهلوس فيها | 5.3 s مقابل 3.5 s | Koenecke وآخرون، Careless Whisper، ACM FAccT 2024 |
| صعوبة التجزئة الإضافية حين يجب على الأنظمة إيجاد الكلام بنفسها (المسار 2) بدلا من تلقي مناطق الكلام المرجعية (المسار 1) | “بحدود 5%” لكل من DER وJER | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| نطاق معيار التجزئة وراء نتيجة الكلام المغفل | 196.6 ساعة، 4 مجموعات بيانات، 5 لغات | Lanzendörfer وآخرون، ETH Zurich، arXiv 2025 |
ملاحظة عن القيم الشاذة: يبين جدول كراكوف نفسه أن VAD ضروري لكنه غير كاف. فقد أدى Silero VAD مع خطوة لإزالة التكرار وقائمة بعبارات معروفة بأنها مهلوسة أداء أفضل من Silero وحده (6.5% مقابل 8.0% معدل أخطاء كلمات على الصوت غير المتداخل). أحدث بيانات متاحة لـ WhisperX: 2023.
الخلاصة: كشف النشاط الصوتي بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| دالة تكلفة NIST لنشاط الكلام | 0.75 × معدل الإغفال + 0.25 × معدل الإنذار الكاذب | NIST IR 8242، تجربة OpenSAT 2017 التجريبية |
| خط أساس DIHARD III، التقييم الأساسي: الإغفال / الإنذار الكاذب | 4.97% / 15.07% | ورقة تحدي Third DIHARD Diarization Challenge، arXiv 2020 |
| تكلفة الكشف في Fearless Steps المرحلة 3، خط الأساس مقابل الأفضل (التقييم) | 15.16% مقابل 1.47% | Joglekar وآخرون، Interspeech 2021 |
| هامش التسامح في Fearless Steps، المرحلة 3 مقابل المرحلة 2 | 0.25 s مقابل 0.5 s | Joglekar وآخرون، Interspeech 2021 |
| DIHARD 3 الإنذار الكاذب / الإغفال، pyannote 2.0 | 3.9% / 3.3% | Bredin وLaurent، arXiv 2021 |
| DIHARD 3 الإنذار الكاذب / الإغفال، Silero VAD (إصدار 2021) | 17.0% / 4.0% | Bredin وLaurent، arXiv 2021 |
| مقاطع ضجيج ESC-50 المرفوضة بشكل صحيح، WebRTC مقابل Silero v6 | 0 مقابل 0.87 | ويكي Silero VAD Quality Metrics (ادعاء المشروع) |
| MCC عند نوافذ 50 ms، WebRTC مقابل Silero | 0.41 مقابل 0.72 | McKinnon وآخرون، Google، arXiv 2026 |
| متوسط AUC عند 0 dB من نسبة الإشارة إلى الضجيج، WebRTC مقابل MagicNet | 0.691 مقابل 0.956 | Jia وآخرون، arXiv 2024 |
| معدل الإيجابيات الحقيقية لـ ResNet في AVA-Speech، نظيف مقابل كلام مع موسيقى | 0.992 مقابل 0.787 | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| دقة الكلام المشوش في MS-SNSD، خط الأساس مقابل Huawei VAD مع المعالجة المسبقة | 15.9% مقابل 89.9% | Jafarzadeh Asl وآخرون، arXiv 2025 |
| زمن الاستجابة لكل قرار، WebRTC مقابل ResNet-960 | 0.06 ms مقابل 265 ms | Chaudhuri وآخرون، AVA-Speech، Interspeech 2018 |
| توفير عرض النطاق من VAD كمتوسط على أكثر من 24 مكالمة | حتى 35 بالمئة | Cisco، Per Call Bandwidth Consumption (إرشادات المورّد) |
| حصة الصمت من إرسال المحادثة | أكثر من 40% | وثائق Avaya Aura 10.2.x (إرشادات المورّد) |
| الفاصل الافتراضي لتحديث ضجيج الراحة في EVS | كل 8 إطارات | 3GPP TS 26.449 |
| معدل أخطاء الكلمات في Whisper خلف WebRTC VAD مقابل Silero VAD | 68.3% مقابل 8.0% | Barański وآخرون، arXiv 2025 |
| تسريع WhisperX من المعالجة الدفعية المعتمدة على VAD | 11.8 ضعف | Bain وآخرون، WhisperX، arXiv 2023 |
المنهجية والمصادر
- NIST IR 8242، تقرير تقييم OpenSAT 2017 التجريبي: دالة التكلفة وهامش التسامح والمشاركة.
- صفحة سلسلة تقييم NIST OpenSAT: سنوات التقييم والمجالات وحالة البرنامج.
- ورقة تحدي The Third DIHARD Diarization Challenge (arXiv 2012.01477): معدلات الإغفال والإنذار الكاذب لخط الأساس في كشف نشاط الكلام، وأحجام مجموعات البيانات، ونتائج المسار 1 مقابل المسار 2.
- Joglekar وآخرون، Fearless Steps Challenge Phase-3، Interspeech 2021: نتائج تكلفة الكشف على صوت Apollo وهوامش التسامح.
- Ghahabi وFischer، EML online SAD for Fearless Steps Phase-III، arXiv 2021: الفاصل الزمني للقرار وعامل الزمن الحقيقي.
- Bredin وLaurent، End-to-end speaker segmentation for overlap-aware resegmentation، arXiv 2021: معدلات الإنذار الكاذب والإغفال على AMI وDIHARD 3 وVoxConverse.
- ويكي Silero VAD Quality Metrics وSilero VAD README وإصدارات Silero VAD: ادعاءات الدقة والسرعة والإصدارات التي يبلغ عنها المشروع.
- McKinnon وآخرون، Window Size Versus Accuracy Experiments in Voice Activity Detectors، Google، arXiv 2026: مقارنة MCC بين RMS وWebRTC وSilero.
- توثيق py-webrtcvad: أحجام إطارات WebRTC VAD ووضعياته ومعدلات العينات.
- Chaudhuri وآخرون، AVA-Speech، Interspeech 2018: حصص الوسوم، ونسبة الإشارة إلى الضجيج المقدرة، ومعدلات الإيجابيات الحقيقية لكل حالة، وزمن الاستجابة.
- Jia وآخرون، A Real-Time Voice Activity Detection Based on Lightweight Neural Network، arXiv 2024: F1 وAUC عند 0 dB، والمعاملات، وعامل الزمن الحقيقي.
- Jafarzadeh Asl وآخرون، Tiny Noise-Robust Voice Activity Detector for Voice Assistants، Huawei، arXiv 2025: المفاضلة بين دقة الكلام المشوش ودقة غير الكلام.
- Kulakayeva وآخرون، Robust Neural Network-Based VAD under Low SNR، ETASR 2025: نطاق نسبة الإشارة إلى الضجيج وعتبة المتانة.
- Sharma وآخرون، Empirical review of VAD for movies and TV shows، Neurocomputing 2022: ضجيج الوسوم ونتائج حجم النموذج.
- Ding وآخرون، Personal VAD، Google، arXiv 2019: دقة VAD للمتحدث المستهدف وحجمه ومعدل إطاراته.
- Cisco، Voice Over IP Per Call Bandwidth Consumption: إرشادات وفورات VAD وعرض النطاق لكل مكالمة.
- Avaya Aura 10.2.x، Silence suppression or voice activity detection: حصة الصمت والإعدادات الافتراضية.
- ملخص ITU-T Rec. G.729 (06/2012) و3GPP TS 26.449 توليد ضجيج الراحة في EVS ونظرة 3GPP TS 26.441 العامة على EVS: آليات DTX وضجيج الراحة (نص 3GPP قُرئ عبر نسخة iTecSpec المرآة).
- Barański وآخرون، Investigation of Whisper ASR Hallucinations Induced by Non-Speech Audio، arXiv 2025: معدل أخطاء الكلمات خلف WebRTC مقابل Silero VAD.
- Bain وآخرون، WhisperX، arXiv 2023: نتائج التسريع وتوقيت الكلمات من المعالجة الدفعية المعتمدة على VAD.
- Wang وآخرون، Calm-Whisper، arXiv 2025: تحقق مستقل من دقة Silero v5 على ESC-50.
- Koenecke وآخرون، Careless Whisper، ACM FAccT 2024: الوقت غير الصوتي والهلوسة.
- Lanzendörfer وآخرون، Benchmarking Diarization Models، ETH Zurich، arXiv 2025: الكلام المغفل بوصفه الإخفاق السائد في التجزئة.
- ملاحظة حول البيانات: جزء كبير من قاعدة المعايير أقدم من ثلاث سنوات (OpenSAT 2017 وAVA-Speech 2018 وPersonal VAD 2019 وDIHARD III من 2020 إلى 2021 وFearless Steps المرحلة 3 عام 2021 وWhisperX 2023)، لأنه لم يُجر أي تحد عام لكشف نشاط الكلام منذ ذلك الحين؛ لذا تُعامل هذه على أنها أحدث بيانات متاحة. وصف خط أساس DIHARD 3 في ورقة pyannote (إنذار كاذب 4.0% وإغفال 4.2%) لا يطابق أرقام التقييم في ورقة DIHARD III نفسها (15.07% و4.97% على المجموعة الأساسية)، ربما بسبب تقسيم أو إعداد مختلف، ولذلك نستشهد بكل منهما مع مصدره فقط. ونموذج Silero في جدول pyannote لعام 2021 سابق لـ Silero v5 وv6. وتعطي ورقة Google لعام 2026 نافذة أصلية لـ Silero قدرها 16 ms بينما يتحدث Silero README عن مقاطع من 30+ ms. ويصف AVA-Speech نفسه بأنه “45 ساعة” و”نحو 46 ساعة” معا. ولا تبين ورقة Personal VAD بالكامل ما إذا كانت نماذج الاختبار المشوش دُربت بشكل مختلف. وأرقام Silero وCisco وAvaya هي ادعاءات الناشرين أنفسهم أو إرشاداتهم. ورقم Cisco البالغ 35 بالمئة هو رقم تخطيط للحالة المتوسطة، لا قياس لأي شبكة بعينها.
- آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث القادم عند نشر أوراق ICASSP 2027 وعند تحديث مشروع Silero VAD لصفحة Quality Metrics الخاصة به.