VAD Detección de actividad de voz
Detectar cuándo alguien habla frente al silencio en un flujo de audio — un paso crítico antes del reconocimiento de voz y en los asistentes de voz.
Implementaciones clásicas: WebRTC VAD (Google, ~50 ms de latencia), Silero VAD (modelo PyTorch, más preciso). Modernas: modelos ML más grandes con VADs más inteligentes (segmentación VAD de Pyannote, NeMo MarbleNet). Crítico en los pipelines de agentes de voz (LiveKit Agents, Pipecat, Vapi) para decidir cuándo el usuario ha dejado de hablar ⇒ enviar al LLM. El problema del "endpointing" no es trivial (la gente hace pausas a mitad de frase). Competidores en el frente de voz: ElevenLabs Conversational AI, OpenAI Realtime API, que integran el VAD internamente.