ตัวตรวจจับพื้นฐานอย่างเป็นทางการของ DIHARD III พลาดเสียงพูด 4.97% บนชุดแกนหลักสำหรับการประเมิน แต่ระบุเสียงที่ไม่ใช่เสียงพูดว่าเป็นเสียงพูดผิดพลาดในอัตรา 15.07% ซึ่งเป็นสามเท่าของอัตราการตรวจไม่พบของมันเอง ช่องว่างนี้คือเรื่องราวทั้งหมดของการตรวจจับกิจกรรมเสียงพูด (VAD) ตัวตรวจจับทุกตัวต้องแลกระหว่างการตรวจไม่พบ (เสียงพูดจริงที่มันทิ้งไป) กับสัญญาณเตือนเท็จ (ความเงียบ เพลง หรือเสียงรบกวนที่มันปล่อยผ่าน) และเกณฑ์มาตรฐานเป็นตัวกำหนดว่าความผิดพลาดแบบใดสำคัญกว่า ในการแข่งขัน Fearless Steps Phase-3 บนเสียงของ NASA Apollo ระบบที่ดีที่สุดลดต้นทุนการตรวจจับของระบบพื้นฐานจาก 15.16% เหลือ 1.47% ขณะที่ที่อัตราส่วนสัญญาณต่อเสียงรบกวน 0 dB WebRTC VAD ได้คะแนน F1 เฉลี่ยเพียง 0.581 ต้นทางของทุกอย่างคือเสียงรบกวนซึ่งเป็นศัตรูหลัก ด้วยเหตุนี้ VAD และความหน่วงของการลดเสียงรบกวนด้วยนิวรัลจึงมักถูกปรับจูนไปพร้อมกัน เรารวบรวมข้อมูลจากการประเมิน OpenSAT ของ NIST การแข่งขัน DIHARD III และ Fearless Steps การศึกษา AVA-Speech และขนาดหน้าต่างปี 2026 ของ Google ข้อกำหนดโคเดก 3GPP และ ITU-T คำแนะนำด้านโทรศัพท์ของ Cisco และ Avaya และบทความที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิและบทความฉบับก่อนตีพิมพ์กว่าหนึ่งโหล
สรุปโดยย่อ
- NIST ให้คะแนนการตรวจจับกิจกรรมเสียงพูดเป็น 0.75 x อัตราการตรวจไม่พบ + 0.25 x อัตราสัญญาณเตือนเท็จ ทำให้การตรวจไม่พบมีต้นทุนเป็นสามเท่า (NIST IR 8242, โครงการนำร่อง OpenSAT 2017)
- ระบบพื้นฐาน DIHARD III มีการตรวจไม่พบ 4.97% และสัญญาณเตือนเท็จ 15.07% บนชุดแกนหลักสำหรับการประเมิน (บทความ Third DIHARD Diarization Challenge, arXiv 2020)
- ระบบ Fearless Steps Phase-3 ที่ดีที่สุดมีต้นทุนการตรวจจับ 1.47% บนข้อมูลประเมิน เทียบกับ 15.16% ของระบบพื้นฐาน (Joglekar และคณะ, Interspeech 2021)
- บนเสียง DIHARD 3 pyannote 2.0 มีสัญญาณเตือนเท็จ 3.9% และการตรวจไม่พบ 3.3% เทียบกับ 17.0% และ 4.0% ของ Silero VAD ที่มีในปี 2021 (Bredin และ Laurent, arXiv 2021)
- บนชุดเสียงรบกวนสิ่งแวดล้อม ESC-50 WebRTC VAD ได้ความแม่นยำ 0, Silero v5 ได้ 0.61 และ Silero v6 ได้ 0.87 (Silero VAD Quality Metrics, ข้อกล่าวอ้างของโครงการ)
- ที่หน้าต่าง 50 ms ค่าสัมประสิทธิ์สหสัมพันธ์แมทธิวส์ของ Silero อยู่ที่ 0.72 เทียบกับ 0.41 ของ WebRTC และ 0.11 ของตัวตรวจจับความดังแบบง่าย (RMS) (McKinnon และคณะ, Google, arXiv 2026)
- ที่ SNR 0 dB WebRTC VAD ได้ AUC เฉลี่ย 0.691 เทียบกับ 0.956 ของ MagicNet ที่มีพารามิเตอร์ 22.7K (Jia และคณะ, arXiv 2024)
- WebRTC VAD ใช้เวลา 0.06 ms ต่อการตัดสินใจ ส่วน VAD แบบ ResNet ขนาดใหญ่ใช้ 265 ms (Chaudhuri และคณะ, AVA-Speech, Interspeech 2018)
- Cisco วางแผนให้ VAD ประหยัดแบนด์วิดท์เสียงได้สูงสุด 35 เปอร์เซ็นต์ แต่เป็นเพียงค่าเฉลี่ยจากการโทรมากกว่า 24 สาย (Cisco, Per Call Bandwidth Consumption)
- อัตราความผิดพลาดของคำของ Whisper บนเสียงพูดที่มีเสียงรบกวนต่อท้ายอยู่ที่ 68.3% หลัง WebRTC VAD และ 8.0% หลัง Silero VAD (Barański และคณะ, arXiv 2025)
1. วิธีให้คะแนนความผิดพลาดของ VAD: การตรวจไม่พบกับสัญญาณเตือนเท็จ
ก่อนเปรียบเทียบตัวเลข VAD สองค่าใด ๆ ให้ตรวจกฎการให้คะแนนก่อน “สัญญาณเตือนเท็จ” คือเสียงที่ไม่ใช่เสียงพูดที่ถูกระบุว่าเป็นเสียงพูด ส่วน “การตรวจไม่พบ” คือเสียงพูดที่ถูกระบุว่าไม่ใช่เสียงพูด จากนั้นผู้ประเมินจะตัดสินใจว่าความผิดพลาดแต่ละแบบมีต้นทุนเท่าใด และเผื่อระยะผ่อนปรนรอบขอบของช่วงเสียงมากแค่ไหน ระยะผ่อนปรนนี้เรียกว่า “หน้าต่างผ่อนปรน” คือช่วงสั้น ๆ รอบขอบเขตของเสียงพูดจริงแต่ละจุดที่ไม่นับความผิดพลาด NIST ให้น้ำหนักการตรวจไม่พบที่ 0.75 และสัญญาณเตือนเท็จที่ 0.25 โดยให้เหตุผลว่า “การตรวจไม่พบถือว่าสำคัญกว่าสัญญาณเตือนเท็จ” (NIST IR 8242, โครงการนำร่อง OpenSAT 2017)
แนวโน้มนับจากนั้นคือการให้คะแนนที่เข้มงวดขึ้น หน้าต่างผ่อนปรนลดจาก 0.5 s เหลือ 0.25 s ใน Fearless Steps และหายไปทั้งหมดใน DIHARD III ดังนั้นตัวเลขปี 2026 ที่ให้คะแนนโดยไม่มีหน้าต่างผ่อนปรนจึงเทียบกับตัวเลขปี 2017 ที่ให้คะแนนโดยมีหน้าต่างไม่ได้ ซีรีส์ของ NIST เองก็สิ้นสุดแล้ว: หน้าโครงการ OpenSAT ระบุสถานะว่าเสร็จสิ้น และไม่มีการประเมินหลังปี 2020
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| น้ำหนักของฟังก์ชันต้นทุนการตรวจจับที่ใช้ให้คะแนนการตรวจจับกิจกรรมเสียงพูด | DCF = 0.75 x P_Miss + 0.25 x P_FA | NIST IR 8242, โครงการนำร่อง OpenSAT 2017 |
| หน้าต่างที่ไม่ให้คะแนน (หน้าต่างผ่อนปรน) รอบช่วงเสียงพูดอ้างอิงแต่ละช่วง โครงการนำร่อง OpenSAT 2017 | 0.5 s | NIST IR 8242, โครงการนำร่อง OpenSAT 2017 |
| ทีมที่ส่งผลให้โครงการนำร่อง OpenSAT 2017 เทียบกับสถาบันที่ลงทะเบียน | 22 เทียบกับ 33 | NIST IR 8242, โครงการนำร่อง OpenSAT 2017 |
| การประเมิน OpenSAT ครั้งล่าสุดและโดเมน | OpenSAT20 (2020) เฉพาะการสื่อสารด้านความปลอดภัยสาธารณะภาษาอังกฤษ | หน้าซีรีส์การประเมิน NIST OpenSAT |
| หน้าต่างผ่อนปรนในการให้คะแนน Fearless Steps Phase-3 เทียบกับ Phase-2 | 0.25 s เทียบกับ 0.5 s | Joglekar และคณะ, Fearless Steps Phase-3, Interspeech 2021 |
| หน้าต่างผ่อนปรนในการให้คะแนนที่ใช้ใน DIHARD III | ไม่มี (“ไม่ใช้หน้าต่างผ่อนผัน”) และให้คะแนนเสียงพูดที่ซ้อนทับกัน | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ความสอดคล้องระหว่างผู้ให้ป้ายกำกับที่เป็นมนุษย์ 3 คนที่ติดป้ายแต่ละคลิป AVA-Speech | Fleiss kappa 0.74 (“สูงอย่างมีนัยสำคัญ”) | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| ความยาวช่วงที่ใช้ให้คะแนน Silero และ VAD คู่แข่ง | 31.25 ms ปรับเกณฑ์บนชุดตรวจสอบหลายโดเมนความยาว 17 ชั่วโมง | วิกิ Silero VAD Quality Metrics (ข้อกล่าวอ้างของโครงการ) |
บริบท: แม้แต่ข้อมูลจริงที่ใช้อ้างอิงก็มีสัญญาณรบกวน การศึกษาของ Amazon บนภาพยนตร์และรายการโทรทัศน์ 450 ชั่วโมงพบว่าไฟล์คำบรรยายคุณภาพสูงที่ใช้เป็นป้ายกำกับมีสัญญาณรบกวนของป้ายกำกับสูงถึง 15% (Sharma และคณะ, Neurocomputing 2022) ข้อมูลล่าสุดที่มีสำหรับกฎการให้คะแนนของ NIST และ AVA: ปี 2017 ถึง 2019 และปี 2018
2. ผลการแข่งขัน: อัตราการตรวจไม่พบและสัญญาณเตือนเท็จบนเสียงที่ยาก
การแข่งขันสาธารณะคือที่ที่ VAD เจอกับเสียงที่ไม่มีใครปรับจูนไว้ ตัวเลขของ DIHARD III แสดงปัญหาหลัก: อัตราสัญญาณเตือนเท็จของระบบพื้นฐานพุ่งจาก 3.98% บนข้อมูลพัฒนาเป็น 15.07% บนชุดแกนหลักสำหรับการประเมิน ขณะที่อัตราการตรวจไม่พบเปลี่ยนแปลงน้อยกว่ามาก ตัวตรวจจับปรับตัวเข้ากับเสียงรบกวนพื้นหลังที่ใช้ฝึกมากเกินไป และเสียงรบกวนใหม่จึงกลายเป็นเสียงพูดผี
ผลของ Fearless Steps แสดงปลายอีกด้านหนึ่ง เสียงจากภารกิจ NASA Apollo มีเสียงรบกวน หลายช่องสัญญาณ และเก่าหลายทศวรรษ ทว่าระบบ Phase-3 ที่ดีที่สุดลดต้นทุนการตรวจจับลงเหลือ 1.47% หรือราวหนึ่งในสิบของระบบพื้นฐาน ภาพรวม Fearless Steps Phase-3 ยังแสดงขีดจำกัดด้วย: Phase-3 ไม่สามารถเอาชนะค่าที่ดีที่สุดของ Phase-2 ที่ 1.07% ได้ และชุดย่อย Apollo-13 ยังยากกว่า Apollo-11
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ระบบพื้นฐาน DIHARD III ชุดแกนหลักสำหรับการพัฒนา: การตรวจไม่พบ / สัญญาณเตือนเท็จ / ความผิดพลาดโดยรวม | 1.84% / 3.98% / 2.30% | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ระบบพื้นฐาน DIHARD III ชุดแกนหลักสำหรับการประเมิน: การตรวจไม่พบ / สัญญาณเตือนเท็จ / ความผิดพลาดโดยรวม | 4.97% / 15.07% / 7.26% | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ระบบพื้นฐาน DIHARD III ชุดเต็มสำหรับการประเมิน: การตรวจไม่พบ / สัญญาณเตือนเท็จ / ความผิดพลาดโดยรวม | 4.35% / 14.65% / 6.51% | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ขนาดชุดแกนหลักสำหรับการประเมินของ DIHARD III และสัดส่วนเสียงพูด | 184 การบันทึก, 22.73 ชั่วโมง, เสียงพูด 77.35%, 11 โดเมน | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| การเข้าร่วม Fearless Steps Phase-3 (ทุกแทร็ก) | 9 องค์กรใน 14 ทีมเฉพาะงาน, 235 ระบบที่ส่งเข้าแข่งขัน | Joglekar และคณะ, Interspeech 2021 |
| ต้นทุนการตรวจจับของระบบพื้นฐาน Fearless Steps Phase-3 ชุดพัฒนาเทียบกับชุดประเมิน | 12.84% เทียบกับ 15.16% | Joglekar และคณะ, Interspeech 2021 |
| ต้นทุนการตรวจจับที่ดีที่สุดของ Fearless Steps Phase-3: ชุดประเมินเต็ม / ชุดย่อย Apollo-13 / ชุดย่อยช่องสัญญาณที่ไม่เคยเห็น | 1.47% / 2.37% / 1.67% | Joglekar และคณะ, Interspeech 2021 |
| ต้นทุนการตรวจจับที่ดีที่สุดของ Fearless Steps Phase-2 (ยังคงเป็นระดับสูงสุดหลัง Phase-3) | 1.07% | Joglekar และคณะ, Interspeech 2021 |
หมายเหตุเรื่องค่าผิดปกติ: บทความ DIHARD III ระบุว่าการตรวจจับกิจกรรมเสียงพูด “ยังคงเป็นปัญหาที่ท้าทายสำหรับบางโดเมนที่ครอบคลุม” และหากไม่มีการแบ่งช่วงที่แม่นยำ การแยกแยะผู้พูดจะแย่ลง “อย่างรุนแรงสำหรับบางโดเมน” โดยหนังสือเสียงเป็นข้อยกเว้น ตารางฉบับเต็มอยู่ในบทความการแข่งขัน DIHARD III ข้อมูลล่าสุดที่มี: DIHARD III (ปี 2020 ถึง 2021) และ Fearless Steps Phase-3 (ปี 2021) ทั้งสองการแข่งขันยังไม่เคยจัดแทร็กกิจกรรมเสียงพูดที่ใหม่กว่านี้
3. โมเดลเปิดเทียบกันตรง ๆ: pyannote, Silero และ WebRTC
ผลิตภัณฑ์ส่วนใหญ่ใช้ตัวตรวจจับแบบเปิดหนึ่งในสามตัว ได้แก่ VAD ประมวลผลสัญญาณจากโครงการ WebRTC ของ Google, VAD แบบนิวรัล Silero หรือโมเดลแบ่งช่วง pyannote ข้อมูลอิสระเห็นตรงกันเรื่องการจัดอันดับ และช่องว่างกว้างที่สุดตรงจุดที่ผลิตภัณฑ์ล้มเหลวพอดี คือเสียงที่มีแต่เสียงรบกวน บนคลิปเสียงรบกวนสิ่งแวดล้อม ESC-50 WebRTC VAD ได้ความแม่นยำ 0 หมายความว่ามันระบุทุกคลิปเสียงรบกวนว่าเป็นเสียงพูด ขณะที่ Silero v6 ตอบถูก 0.87 (Silero VAD Quality Metrics, ข้อกล่าวอ้างของโครงการเอง)
บทความ pyannote 2.0 เป็นข้อมูลอ้างอิงที่ดีกว่าสำหรับการแยกสัญญาณเตือนเท็จกับการตรวจไม่พบ เพราะรายงานทั้งสองแยกกันบนชุดข้อมูลสาธารณะสามชุด (Bredin และ Laurent, arXiv 2021) การปรับจูนของมันทำให้ผลรวมของทั้งสองน้อยที่สุด จึงลงตัวใกล้จุดสมดุล (3.9% เทียบกับ 3.3% บน DIHARD 3) โมเดล Silero ยุคปี 2021 ในตารางเดียวกันแสดงรูปแบบเอียงข้างแบบคลาสสิก: ตรวจไม่พบน้อย สัญญาณเตือนเท็จมาก ROC-AUC ที่ใช้ด้านล่างเป็นคะแนน 0 ถึง 1 ที่บอกว่าตัวตรวจจับแยกเสียงพูดออกจากเสียงที่ไม่ใช่เสียงพูดได้ดีเพียงใดทุกเกณฑ์ ส่วนสัมประสิทธิ์สหสัมพันธ์แมทธิวส์ (MCC) เป็นคะแนน -1 ถึง 1 ที่ยังบอกความจริงได้แม้คลาสหนึ่งครอบงำ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| DIHARD 3: สัญญาณเตือนเท็จ / การตรวจไม่พบ / ความผิดพลาดในการตรวจจับรวม pyannote 2.0 เทียบกับ Silero VAD (รุ่นปี 2021) | 3.9% / 3.3% / 7.3% เทียบกับ 17.0% / 4.0% / 21.0% | Bredin และ Laurent, arXiv 2021 |
| การประชุม AMI: สัญญาณเตือนเท็จ / การตรวจไม่พบ pyannote 2.0 เทียบกับ Silero VAD (รุ่นปี 2021) | 3.6% / 3.2% เทียบกับ 9.4% / 1.7% | Bredin และ Laurent, arXiv 2021 |
| VoxConverse: สัญญาณเตือนเท็จ / การตรวจไม่พบ pyannote 2.0 เทียบกับ Silero VAD (รุ่นปี 2021) | 1.8% / 0.8% เทียบกับ 3.0% / 1.1% | Bredin และ Laurent, arXiv 2021 |
| ROC-AUC บนชุดตรวจสอบหลายโดเมน 17 ชั่วโมง: WebRTC / Silero v5 / Silero v6 | 0.73 / 0.96 / 0.97 | วิกิ Silero VAD Quality Metrics (ข้อกล่าวอ้างของโครงการ) |
| ROC-AUC บนเสียงพูด MSDWild ที่มีเสียงรบกวน 80 ชั่วโมง: WebRTC เทียบกับ Silero v6 | 0.62 เทียบกับ 0.79 | วิกิ Silero VAD Quality Metrics (ข้อกล่าวอ้างของโครงการ) |
| สัดส่วนคลิปเสียงรบกวน ESC-50 ที่ปฏิเสธได้ถูกต้อง: WebRTC / Silero v5 / Silero v6 | 0 / 0.61 / 0.87 | วิกิ Silero VAD Quality Metrics (ข้อกล่าวอ้างของโครงการ) |
| ความแม่นยำระดับประโยคของ Silero VAD v5 บน ESC-50 (การตรวจสอบอิสระ) | 61% | Wang และคณะ, Calm-Whisper, arXiv 2025 |
| MCC ที่หน้าต่าง 50 ms บนพอดแคสต์ ภาพยนตร์ และเพลง 1.1 ชั่วโมง: RMS / WebRTC / Silero | 0.11 / 0.41 / 0.72 | McKinnon และคณะ, Google, arXiv 2026 |
บริบท: ทีมของ Google พบว่าการเพิ่มฮิสเทอรีซิส (กฎที่คงสถานะเสียงพูดหรือไม่ใช่เสียงพูดปัจจุบันไว้จนกว่าหลักฐานจะเปลี่ยนอย่างชัดเจน) ช่วยยก MCC ของ WebRTC จาก 0.41 เป็น 0.47 และไม่ช่วยอะไรเลยกับ Silero (McKinnon และคณะ, arXiv 2026) บันทึกการออกรุ่น v6.0 ของ Silero เองอ้างว่าความผิดพลาดลดลง 16% บนข้อมูลชีวิตจริงที่มีเสียงรบกวน และ 11% บนการตรวจสอบหลายโดเมนเมื่อเทียบกับ v5 ซึ่งเป็นข้อกล่าวอ้างของโครงการที่ยังไม่มีผู้ทำซ้ำอย่างเป็นอิสระ
4. เสียงรบกวนและ SNR: จุดที่การตรวจจับเริ่มพัง
อัตราส่วนสัญญาณต่อเสียงรบกวน (SNR) คือระดับของเสียงพูดเหนือเสียงพื้นหลัง วัดเป็นเดซิเบล 0 dB หมายความว่าเสียงพูดกับเสียงรบกวนดังเท่ากัน ชุดข้อมูลทุกชุดตรงนี้แสดงรูปแบบเดียวกัน: เสียงพูดที่สะอาดเป็นปัญหาที่แก้ได้แล้ว ส่วนเพลงและเสียงรบกวนยังไม่ใช่ ในชุดภาพยนตร์ AVA-Speech ของ Google เสียงพูดสะอาดอยู่ที่ SNR โดยประมาณ 40.8 dB แต่เสียงพูดทับเพลงอยู่ที่เพียง 11.7 dB และ แม้แต่อัตราผลบวกจริงของตัวตรวจจับ ResNet ขนาดใหญ่ยังลดจาก 0.992 บนเสียงพูดสะอาดเหลือ 0.787 บนเสียงพูดที่มีเพลง (Chaudhuri และคณะ, AVA-Speech)
การแก้ค่าการเรียกคืนของเสียงพูดที่มีเสียงรบกวนมักต้องแลกด้วยสัญญาณเตือนเท็จ VAD ขนาดจิ๋วของ Huawei ปี 2025 เพิ่มความแม่นยำของเสียงพูดที่มีเสียงรบกวนบน MS-SNSD จาก 15.9% เป็น 89.9% ด้วยขั้นตอนการประมวลผลเบื้องต้น แต่ความแม่นยำของเสียงที่ไม่ใช่เสียงพูดบนชุดเดียวกันลดลงจาก 99.1% เหลือ 87.7% (Jafarzadeh Asl และคณะ, arXiv 2025) ไม่มีของฟรีในโลก: จุดทำงานเพียงเลื่อนไปตามเส้นโค้งของการแลกเปลี่ยน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| SNR โดยประมาณของ AVA-Speech: เสียงพูดสะอาด / เสียงพูดที่มีเสียงรบกวน / เสียงพูดที่มีเพลง | 40.8 dB / 16.2 dB / 11.7 dB | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| อัตราผลบวกจริงของ AVA-Speech ที่อัตราผลบวกเท็จคงที่ 0.315 WebRTC VAD: สะอาด / เสียงรบกวน / เพลง | 0.786 / 0.706 / 0.733 | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| อัตราผลบวกจริงของ AVA-Speech ที่อัตราผลบวกเท็จเดียวกัน โมเดล ResNet-960: สะอาด / เสียงรบกวน / เพลง | 0.992 / 0.944 / 0.787 | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| F1 และ AUC เฉลี่ยที่ 0 dB (เสียงจอแจ รถยนต์ เครื่องจักร) WebRTC VAD เทียบกับ MagicNet | F1 0.581 เทียบกับ 0.859; AUC 0.691 เทียบกับ 0.956 | Jia และคณะ, arXiv 2024 |
| ความแม่นยำของเสียงพูดที่มีเสียงรบกวนบน MS-SNSD ระบบพื้นฐาน SG-VAD เทียบกับ Huawei VAD ที่มีการประมวลผลเบื้องต้น | 15.9% เทียบกับ 89.9% | Jafarzadeh Asl และคณะ, arXiv 2025 |
| ความแม่นยำของเสียงที่ไม่ใช่เสียงพูดบน MS-SNSD ระบบพื้นฐาน SG-VAD เทียบกับ Huawei VAD ที่มีการประมวลผลเบื้องต้น | 99.1% เทียบกับ 87.7% | Jafarzadeh Asl และคณะ, arXiv 2025 |
| อัตราผลบวกเท็จที่ต้องใช้เพื่อจับเสียงพูดให้ได้ 99% SG-VAD เทียบกับ Huawei VAD ที่มีการประมวลผลเบื้องต้น | 58% เทียบกับ 28% | Jafarzadeh Asl และคณะ, arXiv 2025 |
| ค่าเฉลี่ยความแม่นยำเฉลี่ย (mAP) ของ VAD ส่วนบุคคล (ผู้พูดเป้าหมาย) ระบบพื้นฐานเทียบกับโมเดลที่ดีที่สุด: ชุดทดสอบสะอาดเทียบกับชุดทดสอบที่เพิ่มเสียงรบกวนและเสียงก้อง | 0.900 เทียบกับ 0.969 ชุดสะอาด; 0.801 เทียบกับ 0.928 ชุดที่มีเสียงรบกวน | Ding และคณะ, Google, Personal VAD, arXiv 2019 |
บริบท: การศึกษาเมื่อธันวาคม 2025 ฝึกตัวตรวจจับ CNN แบบผสมบนเสียงพูดภาษาคาซัคที่ผสมกับเสียงรบกวนตั้งแต่ -18 dB ถึง +30 dB โมเดลที่ดีที่สุดได้คะแนน F1 99.6% และยังทนทานเหนือ -12 dB ขณะที่โมเดลที่ฝึกที่ระดับเสียงรบกวนระดับเดียวทำงานได้ไม่ดีกับข้อมูลใหม่ (Kulakayeva และคณะ, ETASR 2025) การทบทวนของ Amazon เรื่องภาพยนตร์และรายการโทรทัศน์ยังพบว่าโมเดลที่มีพารามิเตอร์ราว 2 ล้านตัวทนต่อเสียงรบกวนน้อยกว่าโมเดลราว 0.5 ล้านตัว ข้อมูลล่าสุดที่มีสำหรับ AVA-Speech และ Personal VAD: ปี 2018 และ 2019
5. ขนาดเฟรม ความหน่วง และงบประมาณการคำนวณ
VAD ทำงานก่อนทุกอย่าง จึงต้องมีต้นทุนต่ำ งบประมาณในเอกสารวิชาการเล็กมาก: WebRTC VAD ตัดสินใจบนเฟรมขนาด 10, 20 หรือ 30 ms (เอกสาร py-webrtcvad) และ ในเกณฑ์มาตรฐาน AVA-Speech ใช้เวลา 0.06 ms ต่อการตัดสินใจ เทียบกับ 265 ms ของโมเดล ResNet ที่แม่นยำที่สุด ซึ่งแลกกันแล้วโมเดลนั้นเพิ่มอัตราผลบวกจริงบนเสียงพูดทั้งหมดจาก 0.722 เป็น 0.917
งานช่วงปี 2024 ถึง 2026 ปิดช่องว่างนี้จากฝั่งโมเดล MagicNet ทำงานที่ตัวประกอบเวลาจริง (เวลาประมวลผลหารด้วยความยาวเสียง) 0.034 ด้วยพารามิเตอร์ 22.7K ใกล้เคียงกับ 0.015 ของ WebRTC ส่วน Silero ระบุว่าโมเดลขนาดราว 2 MB ของตนประมวลผลช่วงข้อมูลยาว 30+ ms ได้ในเวลาน้อยกว่า 1 ms บนเธรด CPU เดียว (README ของ Silero VAD, ข้อกล่าวอ้างของโครงการ) Personal VAD แสดงเหตุผลอีกข้อที่ควรทำให้เล็ก: Google สร้างมันขึ้นเพื่อกั้นประตูให้การรู้จำเสียงพูดบนอุปกรณ์ เพื่อให้ตัวรู้จำตื่นขึ้นเฉพาะเมื่อเป็นผู้ใช้ที่ลงทะเบียนไว้ ช่วยลดการคำนวณและการใช้แบตเตอรี่
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความยาวเฟรม โหมดความเข้มงวด และอัตราสุ่มตัวอย่างของ WebRTC VAD | 10, 20 หรือ 30 ms; โหมด 0 ถึง 3; 8, 16, 32 หรือ 48 kHz, PCM โมโน 16 บิต | เอกสาร py-webrtcvad |
| ความหน่วงต่อการตัดสินใจ เกณฑ์มาตรฐาน AVA-Speech: WebRTC / CNN tiny_320 / CNN ResNet-960 | 0.06 ms / 2.23 ms / 265 ms | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| ตัวประกอบเวลาจริงบน CPU Intel Xeon: WebRTC / MagicNet / MarbleNet | 0.015 / 0.034 / 0.038 | Jia และคณะ, arXiv 2024 |
| จำนวนพารามิเตอร์: MagicNet / CRNN / MarbleNet | 22.7K / 36.8K / 85.2K | Jia และคณะ, arXiv 2024 |
| เวลาประมวลผลและขนาดโมเดลของ Silero VAD | น้อยกว่า 1 ms ต่อช่วงข้อมูล 30+ ms บนเธรด CPU เดียว; ราว 2 MB; ONNX เร็วขึ้นได้ถึง 4-5 เท่า | README ของ Silero VAD (ข้อกล่าวอ้างของโครงการ) |
| ขนาดก้าวเฟรมและช่วงข้อมูลนำเข้าของโมเดลแบ่งช่วง pyannote 2.0 | ราว 16 ms; ช่วงข้อมูล 5 s | Bredin และ Laurent, arXiv 2021 |
| ช่วงเวลาการตัดสินใจของ SAD แบบออนไลน์ EML และตัวประกอบเวลาจริงบน CPU เดียว (เสียง Apollo) | ราวทุก 0.1 s; ราว 0.002 | Ghahabi และ Fischer, arXiv 2021 |
| ขนาด Personal VAD โมเดลที่ใช้เอมเบดดิงอย่างเดียวเทียบกับสายงานที่อิงการตรวจสอบผู้พูด | 0.13M เทียบกับ 4.88M + 0.06M พารามิเตอร์ ตัดสินใจหนึ่งครั้งทุก 10 ms | Ding และคณะ, Google, Personal VAD, arXiv 2019 |
บริบท: ขนาดเฟรมยังเป็นตัวปรับความแม่นยำด้วย การศึกษาขนาดหน้าต่างของ Google ปี 2026 เฉลี่ยผลทำนายบนหน้าต่างตั้งแต่ 10 ms ถึง 10 s และพบว่า Silero นำ WebRTC อย่างชัดเจนที่การตั้งค่า 100 ms หน้าต่างที่ยาวขึ้นช่วยลดอาการกระตุกแต่เพิ่มความล่าช้า ด้วยเหตุนี้เครื่องมือเสียงแบบเรียลไทม์จึงคงเฟรมดั้งเดิมให้สั้นแล้วค่อยทำให้เรียบภายหลัง
6. DTX ในระบบโทรศัพท์: แบนด์วิดท์ที่ประหยัดได้จากการไม่ส่งความเงียบ
ในระบบโทรศัพท์ VAD คุ้มทุนผ่านการส่งแบบไม่ต่อเนื่อง (DTX): เมื่อตัวตรวจจับไม่ได้ยินเสียงพูด โทรศัพท์จะหยุดส่งแพ็กเก็ตเสียง และปลายทางจะเล่น “เสียงรบกวนเพื่อความสบายหู” สังเคราะห์เพื่อไม่ให้สายฟังดูเหมือนขาด เอกสารของ Avaya ระบุว่ามากกว่า 40% ของการส่งข้อมูลในบทสนทนาเป็นความเงียบ เพราะโดยปกติมีเพียงฝ่ายเดียวที่พูดในแต่ละช่วงเวลา (เอกสาร Avaya Aura, แนวปฏิบัติจากผู้จำหน่าย)
ตัวเลขสำหรับการวางแผนระมัดระวังกว่าสัดส่วนความเงียบที่บ่งชี้ Cisco บอกวิศวกรให้นับการประหยัดจาก VAD เฉพาะเมื่อมีการโทรพร้อมกันจำนวนมากเท่านั้น (คู่มือแบนด์วิดท์ต่อสายของ Cisco, แนวปฏิบัติจากผู้จำหน่าย) เพราะสายเดียวอาจมีแต่การพูดตลอด และเพลงรอสายหรือโทรสารจะทำให้ตัวตรวจจับสับสน Avaya ระบุการแลกเปลี่ยนความผิดพลาดนี้ตรง ๆ: เข้มงวดเกินไปจะตัดต้นและท้ายคำ (การตรวจไม่พบ) เข้มงวดไม่พอก็ไม่ประหยัดแบนด์วิดท์ (สัญญาณเตือนเท็จ) หากต้องการดูว่าจังหวะเวลาของแพ็กเก็ตส่งผลต่อคุณภาพการโทรอย่างไร ดูสถิติบัฟเฟอร์จิตเตอร์ VoIP และ POLQAของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การประหยัดแบนด์วิดท์จาก VAD เป็นค่าเฉลี่ยจากการโทรมากกว่า 24 สาย | สูงสุด 35 เปอร์เซ็นต์ ไม่เกิดขึ้นในทุกสายที่โทร | Cisco, Voice Over IP Per Call Bandwidth Consumption (แนวปฏิบัติจากผู้จำหน่าย) |
| ลิงก์ที่ Cisco ระบุว่าห้ามนับการประหยัดจาก VAD | ลิงก์ที่รับสายเสียงพร้อมกันน้อยกว่า 24 สาย | Cisco, Voice Over IP Per Call Bandwidth Consumption (แนวปฏิบัติจากผู้จำหน่าย) |
| แบนด์วิดท์ Ethernet ต่อสายที่ขนาดเพย์โหลดเริ่มต้น G.711 เทียบกับ G.729 | 87.2 kbps เทียบกับ 31.2 kbps | Cisco, Voice Over IP Per Call Bandwidth Consumption (แนวปฏิบัติจากผู้จำหน่าย) |
| สัดส่วนของการส่งข้อมูลในบทสนทนาที่เป็นความเงียบ | มากกว่า 40% | เอกสาร Avaya Aura 10.2.x (แนวปฏิบัติจากผู้จำหน่าย) |
| สถานะเริ่มต้นของการระงับความเงียบใน Avaya Communication Manager | ปิดอยู่ ยกเว้น G.729B ที่มีมาในตัว | เอกสาร Avaya Aura 10.2.x (แนวปฏิบัติจากผู้จำหน่าย) |
| อัตราบิตแกนหลักของ ITU-T G.729; บทบาทของ Annex B | 8 kbit/s; Annex B เพิ่ม VAD, DTX และเสียงรบกวนเพื่อความสบายหู ปรับจูนสำหรับวงจร พร้อม Appendix II และ III สำหรับ VoIP | สรุป ITU-T Rec. G.729 (06/2012) |
| ช่วงเวลาอัปเดตเสียงรบกวนเพื่อความสบายหูของโคเดก EVS: ค่าเริ่มต้น / ช่วงอัตราคงที่ / ช่วงแบบปรับตัว | ทุก 8 เฟรม / 1 ถึง 100 เฟรม / 8 ถึง 50 เฟรม | 3GPP TS 26.449, การสร้างเสียงรบกวนเพื่อความสบายหู EVS |
บริบท: ภาพรวม EVS ของ 3GPP ระบุว่า DTX ลดอัตราบิตเฉลี่ยที่ต้องใช้ “นำไปสู่การส่งที่มีประสิทธิภาพมากขึ้นโดยลดภาระและเพิ่มความจุ” แต่ไม่ได้ให้เปอร์เซ็นต์เดียวที่ชัดเจน (ภาพรวม 3GPP TS 26.441) สรุป ITU-T G.729 ลงวันที่มิถุนายน 2012 ซึ่งยังคงเป็นเอกสารล่าสุดที่มีสำหรับตระกูลโคเดกนี้
7. ความเสียหายปลายน้ำ: ความผิดพลาดของ VAD ลุกลามไปสู่ ASR และการแยกแยะผู้พูดอย่างไร
ความผิดพลาดของ VAD มักไม่ใช่ความผิดพลาดสุดท้าย สัญญาณเตือนเท็จป้อนเสียงรบกวนให้ตัวรู้จำเสียงพูดถอดความ ส่วนการตรวจไม่พบลบคำที่ขั้นตอนใดในภายหลังก็กู้คืนไม่ได้ ผลการทดลองแบบควบคุมที่ชัดเจนที่สุดมาจากมหาวิทยาลัย AGH แห่งคราคูฟ: บนเสียงพูดจาก Common Voice ที่เพิ่มเสียงที่ไม่ใช่เสียงพูดที่ SNR 9 dB อัตราความผิดพลาดของคำของ Whisper อยู่ที่ 68.3% เมื่อมี WebRTC VAD อยู่ด้านหน้า และ 8.0% เมื่อมี Silero VAD (Barański และคณะ, arXiv 2025) การเลือกตัวตรวจจับเพียงอย่างเดียวทำให้ความผิดพลาดเปลี่ยนไปราวแปดเท่า อัตราที่เกิน 100% เป็นไปได้ในที่นี้ เพราะคำที่แต่งขึ้นถูกนับเป็นการแทรก สถิติการหลอนของการรู้จำเสียงพูดของเราครอบคลุมด้านตัวรู้จำของความล้มเหลวนี้อย่างลึกซึ้ง
VAD ที่ดียังซื้อความเร็วและความแม่นยำด้านเวลาได้ด้วย WhisperX ใช้ VAD ของ pyannote ตัดเสียงเป็นช่วงที่มีเฉพาะเสียงพูดแล้วประมวลผลเป็นกลุ่ม ทำให้เร็วกว่า Whisper ธรรมดา 11.8 เท่า และเพิ่มความแม่นยำของเวลาคำในการประชุม AMI (Bain และคณะ, WhisperX, arXiv 2023) ในด้านการแยกแยะผู้พูด เกณฑ์มาตรฐานของ ETH Zurich ปี 2025 ที่ครอบคลุม 196.6 ชั่วโมงพบว่า “เสียงพูดที่ตรวจไม่พบเป็นกรณีล้มเหลวหลักในโมเดลแยกแยะผู้พูดทุกตัว” (Lanzendörfer และคณะ, arXiv 2025) สถิติอัตราความผิดพลาดของการแยกแยะผู้พูดของเราติดตามงบประมาณความผิดพลาดทั้งหมด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| อัตราความผิดพลาดของคำของ Whisper บนเสียงพูดที่มีเสียงที่ไม่ใช่เสียงพูดนำหน้าหรือต่อท้าย WebRTC VAD เทียบกับ Silero VAD | 68.3% เทียบกับ 8.0% | Barański และคณะ, arXiv 2025 |
| การเปรียบเทียบเดียวกันเมื่อเสียงรบกวนซ้อนทับกับเสียงพูด WebRTC VAD เทียบกับ Silero VAD | 75.4% เทียบกับ 10.8% | Barański และคณะ, arXiv 2025 |
| ความเร็วการถอดความด้วยการประมวลผลแบบกลุ่มที่ใช้ VAD WhisperX เทียบกับ Whisper | 11.8x เทียบกับ 1.0x | Bain และคณะ, WhisperX, arXiv 2023 |
| ความแม่นยำ / การเรียกคืนของเวลาคำบนการประชุม AMI (หน้าต่างผ่อนปรน 200 ms) WhisperX เทียบกับ Whisper | 84.1 / 60.3 เทียบกับ 78.9 / 52.1 | Bain และคณะ, WhisperX, arXiv 2023 |
| เวลาไม่มีเสียงพูดเฉลี่ยต่อการบันทึก ผู้พูดที่เป็นโรคอะเฟเซียเทียบกับผู้พูดกลุ่มควบคุม (วัดด้วย pyannote ยืนยันด้วย Silero) | 6.8 s เทียบกับ 1.3 s (p < 2.2e-16) | Koenecke และคณะ, Careless Whisper, ACM FAccT 2024 |
| เวลาไม่มีเสียงพูดเฉลี่ย การบันทึกที่ Whisper หลอนเทียบกับการบันทึกที่ไม่หลอน | 5.3 s เทียบกับ 3.5 s | Koenecke และคณะ, Careless Whisper, ACM FAccT 2024 |
| ความยากเพิ่มเติมของการแยกแยะผู้พูดเมื่อระบบต้องหาเสียงพูดเอง (แทร็ก 2) แทนที่จะได้รับช่วงเสียงพูดอ้างอิง (แทร็ก 1) | “ในระดับประมาณ 5%” ทั้ง DER และ JER | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ขอบเขตของเกณฑ์มาตรฐานการแยกแยะผู้พูดที่อยู่เบื้องหลังข้อค้นพบเรื่องเสียงพูดที่ตรวจไม่พบ | 196.6 ชั่วโมง, 4 ชุดข้อมูล, 5 ภาษา | Lanzendörfer และคณะ, ETH Zurich, arXiv 2025 |
หมายเหตุเรื่องค่าผิดปกติ: ตารางจากคราคูฟชุดเดียวกันแสดงว่า VAD จำเป็นแต่ไม่เพียงพอ Silero VAD ร่วมกับขั้นตอนกำจัดการวนซ้ำและรายการวลีหลอนที่ทราบแล้วทำได้ดีกว่า Silero อย่างเดียว (อัตราความผิดพลาดของคำ 6.5% เทียบกับ 8.0% บนเสียงที่ไม่ซ้อนทับ) ข้อมูลล่าสุดที่มีสำหรับ WhisperX: ปี 2023
สรุป: การตรวจจับกิจกรรมเสียงพูดในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ฟังก์ชันต้นทุนกิจกรรมเสียงพูดของ NIST | 0.75 x อัตราการตรวจไม่พบ + 0.25 x อัตราสัญญาณเตือนเท็จ | NIST IR 8242, โครงการนำร่อง OpenSAT 2017 |
| ระบบพื้นฐาน DIHARD III ชุดแกนหลักสำหรับการประเมิน: การตรวจไม่พบ / สัญญาณเตือนเท็จ | 4.97% / 15.07% | บทความ Third DIHARD Diarization Challenge, arXiv 2020 |
| ต้นทุนการตรวจจับ Fearless Steps Phase-3 ระบบพื้นฐานเทียบกับระบบที่ดีที่สุด (ชุดประเมิน) | 15.16% เทียบกับ 1.47% | Joglekar และคณะ, Interspeech 2021 |
| หน้าต่างผ่อนปรนในการให้คะแนน Fearless Steps Phase-3 เทียบกับ Phase-2 | 0.25 s เทียบกับ 0.5 s | Joglekar และคณะ, Interspeech 2021 |
| DIHARD 3 สัญญาณเตือนเท็จ / การตรวจไม่พบ pyannote 2.0 | 3.9% / 3.3% | Bredin และ Laurent, arXiv 2021 |
| DIHARD 3 สัญญาณเตือนเท็จ / การตรวจไม่พบ Silero VAD (รุ่นปี 2021) | 17.0% / 4.0% | Bredin และ Laurent, arXiv 2021 |
| คลิปเสียงรบกวน ESC-50 ที่ปฏิเสธได้ถูกต้อง WebRTC เทียบกับ Silero v6 | 0 เทียบกับ 0.87 | วิกิ Silero VAD Quality Metrics (ข้อกล่าวอ้างของโครงการ) |
| MCC ที่หน้าต่าง 50 ms WebRTC เทียบกับ Silero | 0.41 เทียบกับ 0.72 | McKinnon และคณะ, Google, arXiv 2026 |
| AUC เฉลี่ยที่ SNR 0 dB WebRTC เทียบกับ MagicNet | 0.691 เทียบกับ 0.956 | Jia และคณะ, arXiv 2024 |
| อัตราผลบวกจริงของ ResNet บน AVA-Speech เสียงพูดสะอาดเทียบกับเสียงพูดที่มีเพลง | 0.992 เทียบกับ 0.787 | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| ความแม่นยำของเสียงพูดที่มีเสียงรบกวนบน MS-SNSD ระบบพื้นฐานเทียบกับ Huawei VAD ที่มีการประมวลผลเบื้องต้น | 15.9% เทียบกับ 89.9% | Jafarzadeh Asl และคณะ, arXiv 2025 |
| ความหน่วงต่อการตัดสินใจ WebRTC เทียบกับ ResNet-960 | 0.06 ms เทียบกับ 265 ms | Chaudhuri และคณะ, AVA-Speech, Interspeech 2018 |
| การประหยัดแบนด์วิดท์จาก VAD เป็นค่าเฉลี่ยจากการโทรมากกว่า 24 สาย | สูงสุด 35 เปอร์เซ็นต์ | Cisco, Per Call Bandwidth Consumption (แนวปฏิบัติจากผู้จำหน่าย) |
| สัดส่วนของการส่งข้อมูลในบทสนทนาที่เป็นความเงียบ | มากกว่า 40% | เอกสาร Avaya Aura 10.2.x (แนวปฏิบัติจากผู้จำหน่าย) |
| ช่วงเวลาอัปเดตเสียงรบกวนเพื่อความสบายหูเริ่มต้นของ EVS | ทุก 8 เฟรม | 3GPP TS 26.449 |
| อัตราความผิดพลาดของคำของ Whisper หลัง WebRTC VAD เทียบกับหลัง Silero VAD | 68.3% เทียบกับ 8.0% | Barański และคณะ, arXiv 2025 |
| ความเร็วที่เพิ่มขึ้นของ WhisperX จากการประมวลผลแบบกลุ่มที่ใช้ VAD | 11.8x | Bain และคณะ, WhisperX, arXiv 2023 |
ระเบียบวิธีและแหล่งที่มา
- NIST IR 8242, รายงานการประเมินโครงการนำร่อง OpenSAT 2017: ฟังก์ชันต้นทุน หน้าต่างผ่อนปรน การเข้าร่วม
- หน้าซีรีส์การประเมิน NIST OpenSAT: ปีที่ประเมิน โดเมน และสถานะของโครงการ
- บทความ The Third DIHARD Diarization Challenge (arXiv 2012.01477): อัตราการตรวจไม่พบและสัญญาณเตือนเท็จของการตรวจจับกิจกรรมเสียงพูดของระบบพื้นฐาน ขนาดชุดข้อมูล ข้อค้นพบแทร็ก 1 เทียบกับแทร็ก 2
- Joglekar และคณะ, Fearless Steps Challenge Phase-3, Interspeech 2021: ผลต้นทุนการตรวจจับบนเสียง Apollo และหน้าต่างผ่อนปรน
- Ghahabi และ Fischer, EML online SAD for Fearless Steps Phase-III, arXiv 2021: ช่วงเวลาการตัดสินใจและตัวประกอบเวลาจริง
- Bredin และ Laurent, End-to-end speaker segmentation for overlap-aware resegmentation, arXiv 2021: อัตราสัญญาณเตือนเท็จและการตรวจไม่พบบน AMI, DIHARD 3 และ VoxConverse
- วิกิ Silero VAD Quality Metrics, README ของ Silero VAD และรุ่นที่เผยแพร่ของ Silero VAD: ข้อกล่าวอ้างด้านความแม่นยำ ความเร็ว และการออกรุ่นที่โครงการรายงานเอง
- McKinnon และคณะ, Window Size Versus Accuracy Experiments in Voice Activity Detectors, Google, arXiv 2026: การเปรียบเทียบ MCC ของ RMS, WebRTC และ Silero
- เอกสาร py-webrtcvad: ขนาดเฟรม โหมด และอัตราสุ่มตัวอย่างของ WebRTC VAD
- Chaudhuri และคณะ, AVA-Speech, Interspeech 2018: สัดส่วนป้ายกำกับ SNR โดยประมาณ อัตราผลบวกจริงตามเงื่อนไข และความหน่วง
- Jia และคณะ, A Real-Time Voice Activity Detection Based on Lightweight Neural Network, arXiv 2024: F1 ที่ 0 dB, AUC, จำนวนพารามิเตอร์ และตัวประกอบเวลาจริง
- Jafarzadeh Asl และคณะ, Tiny Noise-Robust Voice Activity Detector for Voice Assistants, Huawei, arXiv 2025: การแลกเปลี่ยนความแม่นยำระหว่างเสียงพูดที่มีเสียงรบกวนกับเสียงที่ไม่ใช่เสียงพูด
- Kulakayeva และคณะ, Robust Neural Network-Based VAD under Low SNR, ETASR 2025: ช่วง SNR และเกณฑ์ความทนทาน
- Sharma และคณะ, Empirical review of VAD for movies and TV shows, Neurocomputing 2022: ข้อค้นพบเรื่องสัญญาณรบกวนของป้ายกำกับและขนาดโมเดล
- Ding และคณะ, Personal VAD, Google, arXiv 2019: ความแม่นยำ ขนาด และอัตราเฟรมของ VAD ผู้พูดเป้าหมาย
- Cisco, Voice Over IP Per Call Bandwidth Consumption: คำแนะนำเรื่องการประหยัดจาก VAD และแบนด์วิดท์ต่อสาย
- Avaya Aura 10.2.x, Silence suppression or voice activity detection: สัดส่วนความเงียบและค่าเริ่มต้น
- สรุป ITU-T Rec. G.729 (06/2012), 3GPP TS 26.449 EVS comfort noise generation และภาพรวม 3GPP TS 26.441 EVS: กลไกของ DTX และเสียงรบกวนเพื่อความสบายหู (อ่านข้อความ 3GPP ผ่านมิเรอร์ iTecSpec)
- Barański และคณะ, Investigation of Whisper ASR Hallucinations Induced by Non-Speech Audio, arXiv 2025: อัตราความผิดพลาดของคำหลัง WebRTC เทียบกับ Silero VAD
- Bain และคณะ, WhisperX, arXiv 2023: ความเร็วที่เพิ่มขึ้นและผลเวลาคำจากการประมวลผลแบบกลุ่มที่ใช้ VAD
- Wang และคณะ, Calm-Whisper, arXiv 2025: การตรวจสอบอิสระเรื่องความแม่นยำของ Silero v5 บน ESC-50
- Koenecke และคณะ, Careless Whisper, ACM FAccT 2024: เวลาไม่มีเสียงพูดและการหลอน
- Lanzendörfer และคณะ, Benchmarking Diarization Models, ETH Zurich, arXiv 2025: เสียงพูดที่ตรวจไม่พบในฐานะความล้มเหลวหลักของการแยกแยะผู้พูด
- ข้อสังเกตเกี่ยวกับข้อมูล: ฐานเกณฑ์มาตรฐานส่วนใหญ่มีอายุมากกว่าสามปี (OpenSAT 2017, AVA-Speech 2018, Personal VAD 2019, DIHARD III ปี 2020 ถึง 2021, Fearless Steps Phase-3 ปี 2021, WhisperX 2023) เพราะไม่มีการแข่งขันกิจกรรมเสียงพูดสาธารณะอีกเลยนับจากนั้น จึงถือเป็นข้อมูลล่าสุดที่มี แถวระบบพื้นฐาน DIHARD 3 ในบทความ pyannote (สัญญาณเตือนเท็จ 4.0%, การตรวจไม่พบ 4.2%) ไม่ตรงกับตัวเลขการประเมินในบทความ DIHARD III เอง (15.07% และ 4.97% บนชุดแกนหลัก) น่าจะเป็นเพราะการแบ่งชุดข้อมูลหรือการตั้งค่าที่ต่างกัน เราจึงอ้างอิงแต่ละค่ากับแหล่งของตัวเองเท่านั้น โมเดล Silero ในตาราง pyannote ปี 2021 เก่ากว่า Silero v5 และ v6 บทความของ Google ปี 2026 ให้ Silero มีหน้าต่างดั้งเดิม 16 ms ขณะที่ README ของ Silero พูดถึงช่วงข้อมูล 30+ ms AVA-Speech อธิบายตัวเองทั้งว่า “45 ชั่วโมง” และ “ประมาณ 46 ชั่วโมง” บทความ Personal VAD ไม่ได้ระบุอย่างครบถ้วนว่าโมเดลสำหรับชุดทดสอบที่มีเสียงรบกวนถูกฝึกต่างออกไปหรือไม่ ตัวเลขของ Silero, Cisco และ Avaya เป็นข้อกล่าวอ้างหรือแนวปฏิบัติของผู้เผยแพร่เอง ตัวเลข 35 เปอร์เซ็นต์ของ Cisco เป็นตัวเลขวางแผนกรณีเฉลี่ย ไม่ใช่การวัดเครือข่ายใดเครือข่ายหนึ่ง
- อัปเดตล่าสุด: 31 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการรีเฟรชครั้งถัดไปจะเกิดขึ้นเมื่อมีการเผยแพร่บทความ ICASSP 2027 และเมื่อโครงการ Silero VAD อัปเดตหน้า Quality Metrics ของตน