VAD (音声区間検出)読み: ぶいえーでぃ（おんせいくかんけんしゅつ）

2026-10-01 更新

本ページはプロモーションを含みます（掲載基準）

AI用語辞典音声・音楽最終更新: 2026-10-01・AI PICKS編集部

VAD (音声区間検出)の定義

VADとは、Voice Activity Detection（音声区間検出）の略で、音声の中から人が話している部分と、無音や雑音の部分を自動で見分ける技術のことです。音声認識や音声AIの前処理として使われます。

正式名: Voice Activity Detection（音声区間検出、発話区間検出）
主な用途: 音声認識（文字起こし）の前に無音部分を除く、音声AIで話し始めと話し終わりを判定する、通話の帯域を節約する
代表的な実装: Silero VAD（MITライセンス、モデルは約2MB）、GoogleがWebRTC向けに開発したWebRTC VAD
WebRTC VADの特徴: 16bitモノラル音声を10・20・30ミリ秒ごとに判定し、無音の除去の強さを0〜3の4段階で選べる
AIサービスでの例: OpenAI Realtime APIは無音で区切るserver_vadと、話の内容から終わりを判断するsemantic_vadの2方式を用意
文字起こしでの例: faster-whisperはSilero VADを組み込み、vad_filterで無音部分を除いてから文字起こしできる

VAD (音声区間検出)に関連するツール

VAD (音声区間検出)とは（詳しく解説）

VAD（Voice Activity Detection）は、マイクや録音データの中から、人が話している区間だけを見つける技術です。無音や背景の雑音と発話を区別し、音声認識や音声AIの前段で「どこを処理するか」を決める門番の役目を果たします。よく使われる実装は2つあります。1つはSilero VADで、MITライセンスで公開された約2MBの軽いモデルです。CPUでも速く動き、faster-whisperなどの文字起こしツールにも組み込まれています。もう1つはGoogleがWebRTC向けに開発したWebRTC VADで、10〜30ミリ秒ごとに判定する昔からの定番です。会話型の音声AIでもVADは欠かせません。ユーザーが話し終わったと判断した時点で、AIが返事を始めるからです。OpenAIのRealtime APIでは、無音の長さで区切るserver_vadと、話の内容から言い終わりを判断するsemantic_vadを選べます。使うときの注意点は感度の調整です。静かな部屋に合わせた設定は、騒がしい場所では雑音を発話と取り違えやすくなります。逆に厳しくしすぎると、話の頭や語尾が切れます。「えー」「あの」のような言いよどみで発話が途切れたと判定されることもあるため、実際の利用環境の音声で試しながら調整するのが確実です。

出典・公式情報:

VAD (音声区間検出)を調べた人に

声を作る・声を取り出すなら

ナレーションづくりや、曲からボーカルだけを抜き出す作業をブラウザでできます。

Aqua Voice
初月10ドルオフ（新規ユーザー）
Mac・Windows・iPhoneのどのアプリにも声で文章を入れられる（無料は1,000語まで）
AI音声・文字起こし／最低料金 ¥0〜
公式サイトで無料で試す
Audible（オーディブル）
プロの声優・俳優の朗読を聴き比べられる。30日間無料で試せる
オーディオブック／ 30日間無料体験・以後プレミアム月1,500円
30日間無料で聴く
Listnr
1,000種類以上の声で読み上げ音声を作れる。無料で1,000クレジット
AI音声・文字起こし／最低料金 ¥0〜
公式サイトで無料で試す