Resmî DIHARD III temel algılayıcısı, değerlendirme çekirdek kümesinde konuşmanın %4,97’sini kaçırdı, ancak konuşma dışı sesi %15,07 oranında yanlışlıkla konuşma olarak işaretledi; bu, kendi kaçırma oranının üç katı. Bu fark, ses etkinliği algılamanın (VAD) bütün hikâyesi: her algılayıcı kaçırmalar (attığı gerçek konuşma) ile yanlış alarmlar (geçirdiği sessizlik, müzik veya gürültü) arasında bir denge kurar ve kıyaslamalar hangi hatanın daha önemli olduğuna karar verir. NASA Apollo kayıtlarına dayanan Fearless Steps Phase-3 yarışmasında en iyi sistem, temel sistemin %15,16’lık algılama maliyetini %1,47’ye indirdi; 0 dB sinyal-gürültü oranında ise WebRTC VAD ortalama yalnızca 0,581 F1 puanı aldı. Her şeyin başında gürültü ana düşman olduğundan VAD ile sinirsel gürültü bastırma gecikmesi genellikle birlikte ayarlanır. NIST’in OpenSAT değerlendirmelerinden, DIHARD III ve Fearless Steps yarışmalarından, Google’ın AVA-Speech ve 2026 pencere boyutu çalışmalarından, 3GPP ve ITU-T kodek şartnamelerinden, Cisco ve Avaya telefoni rehberlerinden ve bir düzineden fazla hakemli ya da ön baskı makaleden veri derledik.
TL;DR
- NIST, konuşma etkinliği algılamayı 0,75 x kaçırma oranı + 0,25 x yanlış alarm oranı olarak puanladı; böylece bir kaçırma üç kat daha maliyetliydi (NIST IR 8242, OpenSAT 2017 pilotu).
- DIHARD III temel sisteminin değerlendirme çekirdek kümesinde kaçırma oranı %4,97, yanlış alarm oranı %15,07 idi (Third DIHARD Diarization Challenge makalesi, arXiv 2020).
- En iyi Fearless Steps Phase-3 sistemi, değerlendirme verisinde %15,16’lık temel sisteme karşı %1,47 algılama maliyetine ulaştı (Joglekar ve ark., Interspeech 2021).
- DIHARD 3 sesinde pyannote 2.0’ın yanlış alarm oranı %3,9, kaçırma oranı %3,3 iken, 2021’de mevcut Silero VAD’de bu değerler %17,0 ve %4,0 idi (Bredin ve Laurent, arXiv 2021).
- ESC-50 çevre gürültüsü kümesinde WebRTC VAD 0, Silero v5 0,61, Silero v6 0,87 doğruluk puanı aldı (Silero VAD Quality Metrics, proje iddiası).
- 50 ms pencerelerde Silero’nun Matthews korelasyon katsayısı 0,72 iken WebRTC için 0,41, basit bir ses şiddeti (RMS) algılayıcısı için 0,11 idi (McKinnon ve ark., Google, arXiv 2026).
- 0 dB SNR’de WebRTC VAD ortalama 0,691 AUC aldı; 22,7 bin parametreli MagicNet ise 0,956 (Jia ve ark., arXiv 2024).
- WebRTC VAD karar başına 0,06 ms, büyük bir ResNet VAD ise 265 ms sürdü (Chaudhuri ve ark., AVA-Speech, Interspeech 2018).
- Cisco, VAD’in ses bant genişliğinin yüzde 35’ine kadarını kazandıracağını planlıyor, ancak bu yalnızca 24’ten fazla görüşme üzerinden alınan bir ortalama (Cisco, Per Call Bandwidth Consumption).
- Whisper’ın gürültüyle doldurulmuş konuşmadaki kelime hata oranı, WebRTC VAD arkasında %68,3, Silero VAD arkasında %8,0 idi (Barański ve ark., arXiv 2025).
1. VAD Hataları Nasıl Puanlanır: Kaçırmalar ve Yanlış Alarmlar
Herhangi iki VAD sayısını karşılaştırmadan önce puanlama kurallarına bakın. “Yanlış alarm” konuşma olarak etiketlenen konuşma dışı sestir; “kaçırma” ise konuşma dışı olarak etiketlenen konuşmadır. Değerlendiriciler daha sonra her hatanın ne kadar maliyetli olacağına ve segment kenarlarında ne kadar pay bırakılacağına karar verir. Bu paya “tolerans penceresi” denir: her gerçek konuşma sınırının etrafında hataların sayılmadığı kısa bir pencere. NIST kaçırmaları 0,75, yanlış alarmları 0,25 ile ağırlıklandırdı ve bunu “kaçırılan algılamalar yanlış alarmlardan daha kritik kabul edilir” diyerek gerekçelendirdi (NIST IR 8242, OpenSAT 2017 pilotu).
O günden bu yana eğilim daha sıkı puanlamaya doğru. Tolerans pencereleri Fearless Steps’te 0,5 s’den 0,25 s’ye düştü, DIHARD III’te ise tamamen ortadan kalktı; dolayısıyla tolerans penceresi olmadan puanlanan 2026 tarihli bir sayı, pencereyle puanlanan 2017 tarihli bir sayıyla karşılaştırılamaz. NIST serisinin kendisi de sona erdi: OpenSAT program sayfası durumunu tamamlandı olarak gösteriyor ve 2020’den sonra hiçbir değerlendirme yapılmadı.
| Metrik | Değer | Kaynak |
|---|---|---|
| Konuşma etkinliği algılamayı puanlamak için kullanılan algılama maliyet fonksiyonunun ağırlıkları | DCF = 0,75 x P_Miss + 0,25 x P_FA | NIST IR 8242, OpenSAT 2017 pilotu |
| Her referans konuşma segmentinin etrafındaki puanlanmayan pencere (tolerans penceresi), OpenSAT 2017 pilotu | 0,5 s | NIST IR 8242, OpenSAT 2017 pilotu |
| OpenSAT 2017 pilotuna sonuç gönderen ekipler karşı kayıt olan merkezler | 22 karşı 33 | NIST IR 8242, OpenSAT 2017 pilotu |
| Son OpenSAT değerlendirmesi ve alanı | OpenSAT20 (2020), yalnızca İngilizce kamu güvenliği iletişimi | NIST OpenSAT değerlendirme serisi sayfası |
| Puanlama tolerans penceresi, Fearless Steps Phase-3 karşı Phase-2 | 0,25 s karşı 0,5 s | Joglekar ve ark., Fearless Steps Phase-3, Interspeech 2021 |
| DIHARD III’te kullanılan puanlama tolerans penceresi | Yok (“hoşgörü penceresi kullanılmadan”), örtüşen konuşma puanlandı | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| Her AVA-Speech klibini etiketleyen 3 insan değerlendirici arasındaki uyum | Fleiss kappa 0,74 (“önemli düzeyde”) | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| Silero ve rakip VAD’leri puanlamak için kullanılan segment uzunluğu | 31,25 ms, eşik 17 saatlik çok alanlı bir doğrulama kümesinde ayarlandı | Silero VAD Quality Metrics wiki (proje iddiası) |
Bağlam: referans etiketlerin kendisi bile gürültülü. Amazon’un 450 saatlik film ve dizi üzerindeki bir çalışması, etiket olarak kullanılan yüksek kaliteli altyazı dosyalarının yüzde 15’e kadar etiket gürültüsü içerdiğini buldu (Sharma ve ark., Neurocomputing 2022). NIST ve AVA puanlama kuralları için mevcut en güncel veri: 2017 ile 2019 ve 2018.
2. Yarışma Sonuçları: Zorlu Seslerde Kaçırma ve Yanlış Alarm Oranları
Halka açık yarışmalar, VAD’in kimsenin ayarlamadığı seslerle karşılaştığı yerdir. DIHARD III rakamları temel sorunu gösteriyor: temel sistemin yanlış alarm oranı geliştirme verisindeki %3,98’den değerlendirme çekirdek kümesinde %15,07’ye sıçradı, kaçırma oranı ise çok daha az değişti. Algılayıcılar eğitildikleri arka plan gürültüsüne aşırı uyum sağlıyor ve yeni gürültü hayalet konuşmaya dönüşüyor.
Fearless Steps sonuçları ise tam tersi ucu gösteriyor. NASA Apollo görev kayıtları gürültülü, çok kanallı ve onlarca yıllık; yine de en iyi Phase-3 sistemi algılama maliyetini %1,47’ye, yani temel sistemin yaklaşık onda birine indirdi. Fearless Steps Phase-3 genel bakışı sınırı da gösteriyor: Phase-3, Phase-2’nin en iyi değeri olan %1,07’yi geçemedi ve Apollo-13 alt kümesi Apollo-11’den daha zor kaldı.
| Metrik | Değer | Kaynak |
|---|---|---|
| DIHARD III temel sistemi, geliştirme çekirdek kümesi: kaçırma / yanlış alarm / toplam hata | %1,84 / %3,98 / %2,30 | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| DIHARD III temel sistemi, değerlendirme çekirdek kümesi: kaçırma / yanlış alarm / toplam hata | %4,97 / %15,07 / %7,26 | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| DIHARD III temel sistemi, değerlendirme tam kümesi: kaçırma / yanlış alarm / toplam hata | %4,35 / %14,65 / %6,51 | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| DIHARD III değerlendirme çekirdek kümesinin boyutu ve konuşma payı | 184 kayıt, 22,73 saat, %77,35 konuşma, 11 alan | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| Fearless Steps Phase-3 katılımı (tüm pistler) | 9 kuruluştan 14 göreve özel ekip, 235 sistem gönderimi | Joglekar ve ark., Interspeech 2021 |
| Fearless Steps Phase-3 temel sistem algılama maliyeti, geliştirme karşı değerlendirme | %12,84 karşı %15,16 | Joglekar ve ark., Interspeech 2021 |
| Fearless Steps Phase-3 en iyi algılama maliyeti: tam değerlendirme / Apollo-13 alt kümesi / görülmemiş kanal alt kümesi | %1,47 / %2,37 / %1,67 | Joglekar ve ark., Interspeech 2021 |
| En iyi Fearless Steps Phase-2 algılama maliyeti (Phase-3 sonrasında hâlâ en gelişmiş sonuç) | %1,07 | Joglekar ve ark., Interspeech 2021 |
Aykırı değer notu: DIHARD III makalesi, ses etkinliği algılamanın “ele alınan bazı alanlar için zorlu bir sorun olmaya devam ettiğini” ve doğru bölütleme olmadan konuşmacı ayrıştırmanın “bazıları için feci biçimde” bozulduğunu, sesli kitapların ise istisna olduğunu söylüyor. Tüm tablolar DIHARD III yarışma makalesinde yer alıyor. Mevcut en güncel veri: DIHARD III (2020 ile 2021) ve Fearless Steps Phase-3 (2021); iki yarışma da daha yeni bir konuşma etkinliği pisti yürütmedi.
3. Açık Modeller Karşı Karşıya: pyannote, Silero ve WebRTC
Çoğu ürün üç açık algılayıcıdan birini kullanır: Google’ın WebRTC projesindeki sinyal işleme tabanlı VAD, Silero sinirsel VAD’i veya pyannote bölütleme modeli. Bağımsız veriler sıralama konusunda hemfikir ve fark, ürünlerin tam da başarısız olduğu yerde, yani yalnızca gürültü içeren seste en büyük. ESC-50 çevre gürültüsü kliplerinde WebRTC VAD 0 doğruluk puanı aldı, yani her gürültü klibine konuşma dedi; Silero v6 ise 0,87’sini doğru bildi (Silero VAD Quality Metrics, projenin kendi iddiası).
Yanlış alarm ile kaçırma ayrımı için daha iyi referans pyannote 2.0 makalesidir, çünkü her ikisini üç halka açık kümede ayrı ayrı raporlar (Bredin ve Laurent, arXiv 2021). Ayarı ikisinin toplamını en aza indirdiği için bir dengeye yakın bir yere oturur (DIHARD 3’te %3,9 karşı %3,3). Aynı tablodaki 2021 dönemi Silero modeli klasik dengesiz profili gösteriyor: az kaçırma, çok yanlış alarm. Aşağıda kullanılan ROC-AUC, bir algılayıcının tüm eşiklerde konuşmayı konuşma dışından ne kadar iyi ayırdığını gösteren 0 ile 1 arası bir puandır; Matthews korelasyon katsayısı (MCC) ise bir sınıf baskın olduğunda bile dürüst kalan -1 ile 1 arası bir puandır.
| Metrik | Değer | Kaynak |
|---|---|---|
| DIHARD 3: yanlış alarm / kaçırma / toplam algılama hatası, pyannote 2.0 karşı Silero VAD (2021 sürümü) | %3,9 / %3,3 / %7,3 karşı %17,0 / %4,0 / %21,0 | Bredin ve Laurent, arXiv 2021 |
| AMI toplantıları: yanlış alarm / kaçırma, pyannote 2.0 karşı Silero VAD (2021 sürümü) | %3,6 / %3,2 karşı %9,4 / %1,7 | Bredin ve Laurent, arXiv 2021 |
| VoxConverse: yanlış alarm / kaçırma, pyannote 2.0 karşı Silero VAD (2021 sürümü) | %1,8 / %0,8 karşı %3,0 / %1,1 | Bredin ve Laurent, arXiv 2021 |
| 17 saatlik çok alanlı doğrulama kümesinde ROC-AUC: WebRTC / Silero v5 / Silero v6 | 0,73 / 0,96 / 0,97 | Silero VAD Quality Metrics wiki (proje iddiası) |
| 80 saatlik gürültülü MSDWild konuşmasında ROC-AUC: WebRTC karşı Silero v6 | 0,62 karşı 0,79 | Silero VAD Quality Metrics wiki (proje iddiası) |
| Doğru biçimde reddedilen ESC-50 gürültü kliplerinin payı: WebRTC / Silero v5 / Silero v6 | 0 / 0,61 / 0,87 | Silero VAD Quality Metrics wiki (proje iddiası) |
| Silero VAD v5’in ESC-50 üzerindeki ifade düzeyi doğruluğu (bağımsız kontrol) | %61 | Wang ve ark., Calm-Whisper, arXiv 2025 |
| 1,1 saatlik podcast, film ve müzikte 50 ms pencerelerde MCC: RMS / WebRTC / Silero | 0,11 / 0,41 / 0,72 | McKinnon ve ark., Google, arXiv 2026 |
Bağlam: Google ekibi, histerezis eklemenin (mevcut konuşma veya konuşma dışı durumunu kanıt açıkça değişene kadar koruyan bir kural) WebRTC’nin MCC değerini 0,41’den 0,47’ye çıkardığını, Silero için ise işe yarar bir şey yapmadığını buldu (McKinnon ve ark., arXiv 2026). Silero’nun kendi v6.0 sürüm notları, v5’e kıyasla gürültülü gerçek hayat verisinde yüzde 16, çok alanlı doğrulamada yüzde 11 daha az hata iddia ediyor; bu, henüz bağımsız olarak yeniden üretilmemiş bir proje iddiasıdır.
4. Gürültü ve SNR: Algılamanın Bozulduğu Yer
Sinyal-gürültü oranı (SNR), konuşmanın arka plana göre desibel cinsinden düzeyidir; 0 dB, konuşma ile gürültünün eşit şiddette olduğu anlamına gelir. Buradaki her veri kümesi aynı örüntüyü gösteriyor: temiz konuşma çözülmüş bir sorun, müzik ve gürültü ise değil. Google’ın AVA-Speech film veri kümesinde temiz konuşma tahmini 40,8 dB SNR’de dururken müzik üzerindeki konuşma yalnızca 11,7 dB’deydi ve büyük bir ResNet algılayıcının bile gerçek pozitif oranı temiz konuşmada 0,992’den müzikli konuşmada 0,787’ye düştü (Chaudhuri ve ark., AVA-Speech).
Gürültülü konuşmadaki duyarlılığı artırmak genellikle yanlış alarm pahasına olur. Huawei’nin 2025 tarihli küçük VAD’i, bir ön işleme aşamasıyla MS-SNSD üzerindeki gürültülü konuşma doğruluğunu %15,9’dan %89,9’a çıkardı, ancak aynı kümedeki konuşma dışı doğruluğu %99,1’den %87,7’ye düştü (Jafarzadeh Asl ve ark., arXiv 2025). Bedava öğle yemeği yok: çalışma noktası yalnızca ödünleşim eğrisi boyunca kayıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| AVA-Speech tahmini SNR: temiz konuşma / gürültülü konuşma / müzikli konuşma | 40,8 dB / 16,2 dB / 11,7 dB | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| Sabit 0,315 yanlış pozitif oranında AVA-Speech gerçek pozitif oranı, WebRTC VAD: temiz / gürültü / müzik | 0,786 / 0,706 / 0,733 | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| Aynı yanlış pozitif oranında AVA-Speech gerçek pozitif oranı, ResNet-960 modeli: temiz / gürültü / müzik | 0,992 / 0,944 / 0,787 | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| 0 dB’de ortalama F1 ve AUC (kalabalık uğultusu, araba, makine gürültüsü), WebRTC VAD karşı MagicNet | F1 0,581 karşı 0,859; AUC 0,691 karşı 0,956 | Jia ve ark., arXiv 2024 |
| MS-SNSD gürültülü konuşma doğruluğu, SG-VAD temel sistemi karşı ön işlemeli Huawei VAD | %15,9 karşı %89,9 | Jafarzadeh Asl ve ark., arXiv 2025 |
| MS-SNSD konuşma dışı doğruluğu, SG-VAD temel sistemi karşı ön işlemeli Huawei VAD | %99,1 karşı %87,7 | Jafarzadeh Asl ve ark., arXiv 2025 |
| Konuşmanın %99’unu yakalamak için gereken yanlış pozitif oranı, SG-VAD karşı ön işlemeli Huawei VAD | %58 karşı %28 | Jafarzadeh Asl ve ark., arXiv 2025 |
| Kişisel (hedef konuşmacı) VAD ortalama hassasiyeti (mean average precision), temel sistem karşı en iyi model: temiz test kümesi karşı eklenmiş gürültü ve yankılı test kümesi | temizde 0,900 karşı 0,969; gürültülüde 0,801 karşı 0,928 | Ding ve ark., Google, Personal VAD, arXiv 2019 |
Bağlam: Aralık 2025’te yapılan bir çalışma, -18 dB ile +30 dB arasındaki gürültüyle karıştırılmış Kazak konuşması üzerinde hibrit CNN algılayıcıları eğitti; en iyi modeller %99,6 F1 puanına ulaştı ve -12 dB üzerinde dayanıklı kaldı, tek bir gürültü düzeyinde eğitilen modeller ise kötü genelleme yaptı (Kulakayeva ve ark., ETASR 2025). Amazon’un film ve dizi incelemesi ayrıca yaklaşık 2 milyon parametreli modellerin, yaklaşık 0,5 milyon parametreli modellerden gürültüye karşı daha az dayanıklı olduğunu buldu. AVA-Speech ve Personal VAD için mevcut en güncel veri: 2018 ve 2019.
5. Kare Boyutu, Gecikme ve İşlem Bütçesi
VAD her şeyden önce çalışır, bu yüzden ucuz olması gerekir. Literatürdeki bütçeler çok küçük: WebRTC VAD 10, 20 veya 30 ms’lik karelerde karar verir (py-webrtcvad belgeleri) ve AVA-Speech kıyaslamasında karar başına 0,06 ms gerekirken en doğru ResNet modeli 265 ms gerektirdi; bu model karşılığında tüm konuşmada gerçek pozitif oranı 0,722’den 0,917’ye çıkardı.
2024 ile 2026 arasındaki çalışmalar bu boşluğu model tarafından kapatıyor. MagicNet, 22,7 bin parametreyle 0,034 gerçek zamanlı faktörde (işlem süresinin ses süresine bölümü) çalışıyor; bu, WebRTC’nin 0,015’ine yakın. Silero ise yaklaşık 2 MB’lık modelinin tek bir CPU iş parçacığında 30+ ms’lik bir parçayı 1 ms’den kısa sürede işlediğini söylüyor (Silero VAD README, proje iddiası). Kişisel VAD, küçük kalmanın diğer nedenini gösteriyor: Google bunu, cihaz üzerindeki konuşma tanımayı denetlemek için geliştirdi; böylece tanıyıcı yalnızca kayıtlı kullanıcı için uyanıyor, işlem yükü ve pil kullanımı azalıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| WebRTC VAD kare uzunlukları, agresiflik modları ve örnekleme hızları | 10, 20 veya 30 ms; 0 ile 3 arası modlar; 8, 16, 32 veya 48 kHz, 16 bit mono PCM | py-webrtcvad belgeleri |
| Karar başına gecikme, AVA-Speech kıyaslaması: WebRTC / CNN tiny_320 / CNN ResNet-960 | 0,06 ms / 2,23 ms / 265 ms | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| Intel Xeon CPU’da gerçek zamanlı faktör: WebRTC / MagicNet / MarbleNet | 0,015 / 0,034 / 0,038 | Jia ve ark., arXiv 2024 |
| Parametreler: MagicNet / CRNN / MarbleNet | 22,7 bin / 36,8 bin / 85,2 bin | Jia ve ark., arXiv 2024 |
| Silero VAD işlem süresi ve model boyutu | 30+ ms’lik parça başına tek CPU iş parçacığında 1 ms’den kısa; yaklaşık 2 MB; ONNX ile 4-5 kata kadar daha hızlı | Silero VAD README (proje iddiası) |
| pyannote 2.0 bölütleme modeli kare adımı ve girdi parçası | Yaklaşık 16 ms; 5 s’lik parçalar | Bredin ve Laurent, arXiv 2021 |
| EML çevrimiçi SAD karar aralığı ve tek CPU’da gerçek zamanlı faktör (Apollo sesi) | Yaklaşık her 0,1 s; yaklaşık 0,002 | Ghahabi ve Fischer, arXiv 2021 |
| Kişisel VAD boyutu, yalnızca gömme (embedding) modeli karşı konuşmacı doğrulama tabanlı işlem hattı | 0,13 milyon karşı 4,88 milyon + 0,06 milyon parametre, her 10 ms’de bir karar | Ding ve ark., Google, Personal VAD, arXiv 2019 |
Bağlam: kare boyutu aynı zamanda bir doğruluk kaldıracı. Google’ın 2026 pencere çalışması, tahminleri 10 ms ile 10 s arasındaki pencereler üzerinden ortaladı ve 100 ms ayarında Silero’nun WebRTC’nin belirgin biçimde önünde olduğunu buldu. Daha uzun pencereler titreşimi yumuşatır ama gecikme ekler; bu yüzden gerçek zamanlı ses araçları yerel kareyi kısa tutar ve yumuşatmayı sonradan yapar.
6. Telefonda DTX: Sessizliği Göndermeyerek Kazanılan Bant Genişliği
Telefonda VAD, kesintili iletim (DTX) sayesinde kendini amorti eder: algılayıcı konuşma duymadığında telefon ses paketlerini göndermeyi bırakır ve karşı uç, hat ölü gibi duyulmasın diye sentetik “konfor gürültüsü” çalar. Avaya belgeleri, bir konuşmanın iletiminin %40’ından fazlasının sessizlik olduğunu belirtiyor, çünkü genellikle aynı anda yalnızca bir taraf konuşur (Avaya Aura belgeleri, satıcı rehberliği).
Planlama sayıları, sessizlik payının düşündürdüğünden daha temkinli. Cisco, mühendislere VAD tasarrufuna yalnızca çok sayıda eşzamanlı görüşme genelinde güvenmelerini söylüyor (Cisco görüşme başına bant genişliği rehberi, satıcı rehberliği), çünkü tek bir görüşme baştan sona konuşmadan oluşabilir ve bekletme müziği ya da faks algılayıcıyı atlatır. Avaya hata ödünleşimini doğrudan adlandırıyor: fazla agresifse kelimelerin başı ve sonu kesilir (kaçırmalar), yeterince agresif değilse bant genişliği kazanılmaz (yanlış alarmlar). Paket zamanlamasının görüşme kalitesini nasıl şekillendirdiği için VoIP titreşim tamponu ve POLQA istatistiklerimize bakın.
| Metrik | Değer | Kaynak |
|---|---|---|
| VAD’den bant genişliği tasarrufu, 24’ten fazla görüşme üzerinden ortalama olarak | Yüzde 35’e kadar, her tekil görüşmede gerçekleşmez | Cisco, Voice Over IP Per Call Bandwidth Consumption (satıcı rehberliği) |
| Cisco’nun VAD tasarrufunun sayılmaması gerektiğini söylediği bağlantılar | 24’ten az eşzamanlı sesli görüşme taşıyan bağlantılar | Cisco, Voice Over IP Per Call Bandwidth Consumption (satıcı rehberliği) |
| Varsayılan yük boyutlarında görüşme başına Ethernet bant genişliği, G.711 karşı G.729 | 87,2 kbps karşı 31,2 kbps | Cisco, Voice Over IP Per Call Bandwidth Consumption (satıcı rehberliği) |
| Bir konuşmanın iletiminde sessizliğin payı | %40’tan fazla | Avaya Aura 10.2.x belgeleri (satıcı rehberliği) |
| Avaya Communication Manager’da sessizlik bastırmanın varsayılan durumu | Devre dışı; G.729B’de yerleşik olduğu için istisna | Avaya Aura 10.2.x belgeleri (satıcı rehberliği) |
| ITU-T G.729 çekirdek bit hızı; Annex B’nin rolü | 8 kbit/s; Annex B, devreler için ayarlanmış VAD, DTX ve konfor gürültüsü ekler, VoIP için Appendix II ve III ile birlikte | ITU-T Rec. G.729 (06/2012) özeti |
| EVS kodeği konfor gürültüsü güncelleme aralığı: varsayılan / sabit hızlı aralık / uyarlanabilir aralık | Her 8 karede / 1 ile 100 kare / 8 ile 50 kare | 3GPP TS 26.449, EVS konfor gürültüsü üretimi |
Bağlam: 3GPP’nin EVS genel bakışı, DTX’in gereken ortalama bit hızını düşürdüğünü, “daha az yükle daha verimli bir iletime ve dolayısıyla artan kapasiteye yol açtığını” söylüyor, ancak tek bir yüzde vermiyor (3GPP TS 26.441 genel bakış). ITU-T G.729 özeti Haziran 2012 tarihli; bu kodek ailesi için mevcut en güncel metin olmaya devam ediyor.
7. Aşağı Akış Hasarı: VAD Hataları ASR ve Konuşmacı Ayrıştırmaya Nasıl Yayılır
Bir VAD hatası nadiren son hatadır. Yanlış alarm, konuşma tanıyıcıya yazıya dökmesi için gürültü verir; kaçırma ise sonraki hiçbir aşamanın geri getiremeyeceği kelimeleri siler. En net kontrollü sonuç Krakow AGH Üniversitesi’nden geliyor: 9 dB SNR’de konuşma dışı seslerle doldurulmuş Common Voice konuşmasında Whisper’ın kelime hata oranı, önünde WebRTC VAD olduğunda %68,3, Silero VAD olduğunda %8,0 idi (Barański ve ark., arXiv 2025). Yalnızca algılayıcı seçimi hatayı yaklaşık sekiz kat değiştirdi. Burada %100’ün üzerindeki oranlar mümkündür, çünkü uydurulmuş kelimeler ekleme olarak sayılır. Konuşma tanıma halüsinasyon istatistiklerimiz bu başarısızlığın tanıyıcı tarafını ayrıntılı biçimde ele alıyor.
İyi bir VAD ayrıca hız ve zamanlama doğruluğu kazandırır. WhisperX, sesi yalnızca konuşma içeren parçalara bölmek ve bunları toplu işlemek için pyannote VAD kullanır; bu, onu düz Whisper’dan 11,8 kat hızlı yaptı ve AMI toplantılarında kelime zamanlama hassasiyetini artırdı (Bain ve ark., WhisperX, arXiv 2023). Konuşmacı ayrıştırma tarafında, 196,6 saati kapsayan 2025 tarihli bir ETH Zürih kıyaslaması “kaçırılan konuşmanın tüm ayrıştırma modellerinde baskın başarısızlık durumu olduğunu” buldu (Lanzendörfer ve ark., arXiv 2025); konuşmacı ayrıştırma hata oranı istatistiklerimiz hata bütçesinin tamamını izliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Öncesinde veya sonrasında konuşma dışı sesler bulunan konuşmada Whisper kelime hata oranı, WebRTC VAD karşı Silero VAD | %68,3 karşı %8,0 | Barański ve ark., arXiv 2025 |
| Gürültü konuşmayla örtüştüğünde aynı karşılaştırma, WebRTC VAD karşı Silero VAD | %75,4 karşı %10,8 | Barański ve ark., arXiv 2025 |
| VAD tabanlı toplu işlemeyle transkripsiyon hızı, WhisperX karşı Whisper | 11,8x karşı 1,0x | Bain ve ark., WhisperX, arXiv 2023 |
| AMI toplantılarında kelime zamanlama hassasiyeti / duyarlılığı (200 ms tolerans penceresi), WhisperX karşı Whisper | 84,1 / 60,3 karşı 78,9 / 52,1 | Bain ve ark., WhisperX, arXiv 2023 |
| Kayıt başına ortalama sessiz (sesli olmayan) süre, afazili konuşmacılar karşı kontrol konuşmacıları (pyannote ile ölçüldü, Silero ile doğrulandı) | 6,8 s karşı 1,3 s (p < 2,2e-16) | Koenecke ve ark., Careless Whisper, ACM FAccT 2024 |
| Ortalama sesli olmayan süre, Whisper’ın halüsinasyon gördüğü kayıtlar karşı görmediği kayıtlar | 5,3 s karşı 3,5 s | Koenecke ve ark., Careless Whisper, ACM FAccT 2024 |
| Sistemlerin konuşmayı kendilerinin bulması gerektiğinde (Pist 2) referans konuşma bölgeleri verildiğine (Pist 1) göre ek ayrıştırma zorluğu | Hem DER hem JER için “yaklaşık %5 mertebesinde” | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| Kaçırılan konuşma bulgusunun arkasındaki ayrıştırma kıyaslamasının kapsamı | 196,6 saat, 4 veri kümesi, 5 dil | Lanzendörfer ve ark., ETH Zürih, arXiv 2025 |
Aykırı değer notu: aynı Krakow tablosu, VAD’in gerekli ama yeterli olmadığını gösteriyor. Silero VAD artı bir döngü giderme adımı ve bilinen halüsinasyon ifadeleri listesi, tek başına Silero’dan daha iyi sonuç verdi (örtüşmeyen seste kelime hata oranı %6,5 karşı %8,0). WhisperX için mevcut en güncel veri: 2023.
Özet: Rakamlarla Ses Etkinliği Algılama
| Metrik | Değer | Kaynak |
|---|---|---|
| NIST konuşma etkinliği maliyet fonksiyonu | 0,75 x kaçırma oranı + 0,25 x yanlış alarm oranı | NIST IR 8242, OpenSAT 2017 pilotu |
| DIHARD III temel sistemi, değerlendirme çekirdeği: kaçırma / yanlış alarm | %4,97 / %15,07 | Third DIHARD Diarization Challenge makalesi, arXiv 2020 |
| Fearless Steps Phase-3 algılama maliyeti, temel sistem karşı en iyi (değerlendirme) | %15,16 karşı %1,47 | Joglekar ve ark., Interspeech 2021 |
| Fearless Steps puanlama tolerans penceresi, Phase-3 karşı Phase-2 | 0,25 s karşı 0,5 s | Joglekar ve ark., Interspeech 2021 |
| DIHARD 3 yanlış alarm / kaçırma, pyannote 2.0 | %3,9 / %3,3 | Bredin ve Laurent, arXiv 2021 |
| DIHARD 3 yanlış alarm / kaçırma, Silero VAD (2021 sürümü) | %17,0 / %4,0 | Bredin ve Laurent, arXiv 2021 |
| Doğru biçimde reddedilen ESC-50 gürültü klipleri, WebRTC karşı Silero v6 | 0 karşı 0,87 | Silero VAD Quality Metrics wiki (proje iddiası) |
| 50 ms pencerelerde MCC, WebRTC karşı Silero | 0,41 karşı 0,72 | McKinnon ve ark., Google, arXiv 2026 |
| 0 dB SNR’de ortalama AUC, WebRTC karşı MagicNet | 0,691 karşı 0,956 | Jia ve ark., arXiv 2024 |
| AVA-Speech ResNet gerçek pozitif oranı, temiz karşı müzikli konuşma | 0,992 karşı 0,787 | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| MS-SNSD gürültülü konuşma doğruluğu, temel sistem karşı ön işlemeli Huawei VAD | %15,9 karşı %89,9 | Jafarzadeh Asl ve ark., arXiv 2025 |
| Karar başına gecikme, WebRTC karşı ResNet-960 | 0,06 ms karşı 265 ms | Chaudhuri ve ark., AVA-Speech, Interspeech 2018 |
| 24’ten fazla görüşme üzerinden ortalama VAD bant genişliği tasarrufu | Yüzde 35’e kadar | Cisco, Per Call Bandwidth Consumption (satıcı rehberliği) |
| Bir konuşmanın iletiminde sessizliğin payı | %40’tan fazla | Avaya Aura 10.2.x belgeleri (satıcı rehberliği) |
| EVS varsayılan konfor gürültüsü güncelleme aralığı | Her 8 karede | 3GPP TS 26.449 |
| Whisper kelime hata oranı, WebRTC VAD arkasında karşı Silero VAD arkasında | %68,3 karşı %8,0 | Barański ve ark., arXiv 2025 |
| VAD tabanlı toplu işlemeden WhisperX hız artışı | 11,8x | Bain ve ark., WhisperX, arXiv 2023 |
Metodoloji ve Kaynaklar
- NIST IR 8242, OpenSAT 2017 pilot değerlendirme raporu: maliyet fonksiyonu, tolerans penceresi, katılım.
- NIST OpenSAT değerlendirme serisi sayfası: değerlendirme yılları, alanlar ve program durumu.
- Third DIHARD Diarization Challenge makalesi (arXiv 2012.01477): temel sistemin konuşma etkinliği algılama kaçırma ve yanlış alarm oranları, veri kümesi boyutları, Pist 1 ve Pist 2 bulguları.
- Joglekar ve ark., Fearless Steps Challenge Phase-3, Interspeech 2021: Apollo sesi algılama maliyeti sonuçları ve tolerans pencereleri.
- Ghahabi ve Fischer, EML online SAD for Fearless Steps Phase-III, arXiv 2021: karar aralığı ve gerçek zamanlı faktör.
- Bredin ve Laurent, End-to-end speaker segmentation for overlap-aware resegmentation, arXiv 2021: AMI, DIHARD 3 ve VoxConverse üzerinde yanlış alarm ve kaçırma oranları.
- Silero VAD Quality Metrics wiki, Silero VAD README ve Silero VAD sürümleri: proje tarafından bildirilen doğruluk, hız ve sürüm iddiaları.
- McKinnon ve ark., Window Size Versus Accuracy Experiments in Voice Activity Detectors, Google, arXiv 2026: RMS, WebRTC ve Silero MCC karşılaştırması.
- py-webrtcvad belgeleri: WebRTC VAD kare boyutları, modları ve örnekleme hızları.
- Chaudhuri ve ark., AVA-Speech, Interspeech 2018: etiket payları, tahmini SNR, koşul başına gerçek pozitif oranlar ve gecikme.
- Jia ve ark., A Real-Time Voice Activity Detection Based on Lightweight Neural Network, arXiv 2024: 0 dB’de F1, AUC, parametreler ve gerçek zamanlı faktör.
- Jafarzadeh Asl ve ark., Tiny Noise-Robust Voice Activity Detector for Voice Assistants, Huawei, arXiv 2025: gürültülü konuşma ile konuşma dışı doğruluk ödünleşimi.
- Kulakayeva ve ark., Robust Neural Network-Based VAD under Low SNR, ETASR 2025: SNR aralığı ve dayanıklılık eşiği.
- Sharma ve ark., Empirical review of VAD for movies and TV shows, Neurocomputing 2022: etiket gürültüsü ve model boyutu bulguları.
- Ding ve ark., Personal VAD, Google, arXiv 2019: hedef konuşmacı VAD hassasiyeti, boyutu ve kare hızı.
- Cisco, Voice Over IP Per Call Bandwidth Consumption: VAD tasarruf rehberliği ve görüşme başına bant genişliği.
- Avaya Aura 10.2.x, Silence suppression or voice activity detection: sessizlik payı ve varsayılanlar.
- ITU-T Rec. G.729 (06/2012) özeti, 3GPP TS 26.449 EVS konfor gürültüsü üretimi ve 3GPP TS 26.441 EVS genel bakış: DTX ve konfor gürültüsü mekanikleri (3GPP metni iTecSpec yansısı üzerinden okundu).
- Barański ve ark., Investigation of Whisper ASR Hallucinations Induced by Non-Speech Audio, arXiv 2025: WebRTC ve Silero VAD arkasında kelime hata oranı.
- Bain ve ark., WhisperX, arXiv 2023: VAD tabanlı toplu işlemeden hız artışı ve kelime zamanlama sonuçları.
- Wang ve ark., Calm-Whisper, arXiv 2025: Silero v5’in ESC-50 üzerindeki doğruluğunun bağımsız kontrolü.
- Koenecke ve ark., Careless Whisper, ACM FAccT 2024: sesli olmayan süre ve halüsinasyon.
- Lanzendörfer ve ark., Benchmarking Diarization Models, ETH Zürih, arXiv 2025: baskın ayrıştırma hatası olarak kaçırılan konuşma.
- Veri notu: kıyaslama tabanının büyük bölümü üç yıldan eskidir (OpenSAT 2017, AVA-Speech 2018, Personal VAD 2019, DIHARD III 2020 ile 2021, Fearless Steps Phase-3 2021, WhisperX 2023), çünkü o günden beri halka açık bir konuşma etkinliği yarışması düzenlenmedi; bunları mevcut en güncel veri olarak ele alın. pyannote makalesindeki DIHARD 3 temel sistem satırı (%4,0 yanlış alarm, %4,2 kaçırma), DIHARD III makalesinin kendi değerlendirme sayılarıyla (çekirdek kümede %15,07 ve %4,97) eşleşmiyor; muhtemelen farklı bir bölümleme ya da kurulum nedeniyle, bu yüzden her birini yalnızca kendi kaynağıyla alıntılıyoruz. 2021 pyannote tablosundaki Silero modeli, Silero v5 ve v6’dan öncedir. Google’ın 2026 makalesi Silero’ya 16 ms’lik yerel pencere verirken Silero README 30+ ms’lik parçalardan söz ediyor. AVA-Speech kendini hem “45 saat” hem de “yaklaşık 46 saat” olarak tanımlıyor. Personal VAD makalesi, gürültülü test modellerinin farklı eğitilip eğitilmediğini tam olarak belirtmiyor. Silero, Cisco ve Avaya rakamları yayıncıların kendi iddiaları ya da rehberliğidir. Cisco’nun yüzde 35’i, herhangi bir ağın ölçümü değil, ortalama durum planlama rakamıdır.
- Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, ICASSP 2027 makaleleri yayımlandığında ve Silero VAD projesi Quality Metrics sayfasını bir sonraki güncellediğinde yapılması bekleniyor.