VAD
Wykrywanie, czy ktoś mówi, czy panuje cisza w strumieniu audio — kluczowy krok przed rozpoznawaniem mowy i w asystentach głosowych.
Klasyczne implementacje: WebRTC VAD (Google, opóźnienie ok. 50 ms) i Silero VAD (model PyTorch, dokładniejszy). Nowocześnie: większe modele ML z mądrzejszymi VAD-ami (segmentacja Pyannote VAD, NeMo MarbleNet). Kluczowy w potokach agentów głosowych (LiveKit Agents, Pipecat, Vapi) przy decydowaniu, kiedy użytkownik skończył mówić ⇒ wysłać do LLM. „Endpointing” nie jest trywialny (ludzie robią pauzy w pół zdania). Konkurenci po stronie głosu: ElevenLabs Conversational AI i OpenAI Realtime API mają VAD zintegrowany wewnątrz.