Silero VAD plugin

参照元: LiveKit Agents Documentation ロードマップ: 学習ロードマップ

公式ドキュメント: https://docs.livekit.io/agents/logic/turns/vad/

JSレンダリングの都合でコード例の直接取得が不安定だったため、以下の公式GitHubソースをあわせて参照した。

• https://raw.githubusercontent.com/livekit/agents/main/livekit-plugins/livekit-plugins-silero/livekit/plugins/silero/vad.py
• https://github.com/livekit/agents/blob/main/README.md

What（何についてか）

Silero VAD pluginは、LiveKit Agentsでユーザー発話区間を検出するためのコンポーネントである。VADは「音声か無音か」をフレーム単位で判定し、ターン検出に必要な境界情報を供給する。これにより、会話の開始・終了タイミングを機械的に安定化できる。

LiveKitの推奨は、VAD単体ではなくturn detectorと組み合わせる構成である。VADが低レイヤで音声区間を切り出し、turn detectorが会話的な終了判定を担う。

Why（なぜ必要か）

音声エージェントは、ユーザーの短い間や言い淀みを含む自然発話を扱うため、発話区間の切り出し品質が直接UXに影響する。VADの設定が不適切な場合、語頭欠落、早切り、割り込み過多、レスポンス遅延が発生しやすい。

また、VADで「話している時間」を特定できると、STT処理を必要区間へ集中させられるため、不要な計算を抑えやすい。

How（どう動くか）

Silero VADはVAD.load(...)で初期化され、AgentSession(vad=...)に注入して利用する。load()はモデルをメモリへロードするためブロッキングで、初回コストがある。公式実装でもprewarm経由での事前ロードを推奨している。

graph TD
    A["Worker start"] --> B["prewarm: VAD.load"]
    B --> C["proc.userdata に保存"]
    C --> D["entrypoint で再利用"]
    D --> E["AgentSession に vad を注入"]
    E --> F["音声フレーム判定"]
    F --> G["Turn 判定へ境界情報を供給"]

Prewarmの要点

VAD.load()は重い初期化処理であるため、ジョブ開始時に毎回実行するのではなく、prewarmで一度ロードして再利用する設計が基本になる。これにより、最初のユーザー発話時のコールドスタート遅延を抑制できる。

Configuration（主要パラメータ）

パラメータ	役割	主要トレードオフ
min_speech_duration	発話開始認定に必要な最短時間	低いほど反応は速いがノイズ誤検知が増えやすい
min_silence_duration	発話終了とみなす無音待ち時間	低いほどテンポは速いが早切りしやすい
prefix_padding_duration	発話先頭への前置き余白	大きいほど語頭欠落に強いが前方ノイズを拾いやすい
max_buffered_speech	バッファ保持上限（秒）	大きいほど長文に強いがリソース負荷が上がる
activation_threshold	speech開始しきい値	高いほど保守的、低いほど敏感
deactivation_threshold	speech終了しきい値	開始/終了を分離してチャタリングを抑える
sample_rate	推論サンプルレート	8000/16000のみ対応
force_cpu	CPU推論固定	環境差を減らし再現性を上げる

閾値の読み方（重要）

activation_thresholdとdeactivation_thresholdは音量(dB)そのものではなく、モデルが出力するspeech確信度に対する閾値である。2つを分けることで、境界付近のON/OFF振動（チャタリング）を抑制できる。公式実装ではdeactivation_threshold未指定時にmax(activation_threshold - 0.15, 0.01)が適用される。

Key Concepts

用語	説明
VAD	Voice Activity Detection。発話/無音を判定する下層コンポーネント
Prewarm	ジョブ開始前にモデルを事前ロードして初回遅延を下げる仕組み
Turn detection	会話としてのターン終了を判定する上位ロジック
Hysteresis	開始閾値と終了閾値を分離して揺れを抑える手法

一言まとめ

Silero VADはターン検出の土台であり、実運用の品質はprewarmと閾値設計で決まる。