VAD
音声ストリームの中で、誰かが話している区間と無音の区間を見分ける技術。音声認識の前処理や音声アシスタントで欠かせない。
古典的な実装はWebRTC VAD（Google製、遅延約50ms）や、より精度の高いSilero VAD（PyTorchモデル）である。最近はPyannoteのVADセグメンテーションやNeMo MarbleNetのように、大きなMLモデルを使うものもある。音声エージェントのパイプライン（LiveKit Agents、Pipecat、Vapi）では、ユーザーが話し終えたと判断してLLMへ渡すタイミングを決めるのに重要になる。このエンドポイント検出は意外に難しく、人は文の途中でも黙るからだ。ElevenLabs Conversational AIやOpenAI Realtime APIは、VADを内部に組み込んでいる。