VAD Voice Activity Detection
Detektera när någon talar vs tystnad i en audio-ström — viktigt steg före speech recognition och i röstassistenter.
Klassiska implementationer: WebRTC VAD (Google, ~50 ms latens), Silero VAD (PyTorch-modell, mer accurate). Modern: större ML-modeller med smarta VADs (Pyannote VAD-segmentation, NeMo MarbleNet). Kritisk i röst-agent-pipelines (LiveKit Agents, Pipecat, Vapi) för att avgöra när användaren slutat tala ⇒ skicka till LLM. "Endpointing"-problemet är ej-trivialt (folk pausar mitt i meningar). Konkurrenter på röst-front: ElevenLabs Conversational AI, OpenAI Realtime API som integrerar VAD internt.