Voice Activity Detection

Abkürzung: VAD

Voice Activity Detection bezeichnet Verfahren, die in einem Audiosignal zwischen Sprache und Pause unterscheiden. In der Telefonie dient das dazu, während der Pausen keine Daten zu übertragen.

Deutsch spricht man von Sprachaktivitätserkennung; die zugehörige Betriebsart wird als diskontinuierliche Übertragung bezeichnet.

Das Einsparpotenzial

In einem Gespräch spricht üblicherweise nur eine Seite. Rechnet man Atempausen und Wortabstände hinzu, ist jeder Kanal weniger als die Hälfte der Zeit mit Sprache belegt.

Ohne VAD überträgt ein Codec ungerührt weiter — auch Stille erzeugt einen gleichmäßigen Datenstrom. Wird die Übertragung in den Pausen ausgesetzt, halbiert sich der Bedarf annähernd.

Bei einem einzelnen Gespräch fällt das kaum ins Gewicht. Bei einer Anlage mit dutzenden gleichzeitigen Verbindungen über eine begrenzte Strecke ist es der Unterschied zwischen ausreichend und überlastet — weshalb das Verfahren im Mobilfunk von Anfang an vorgesehen war und dort neben Bandbreite auch Sendeleistung und damit Akkulaufzeit spart.

Komfortrauschen

Wird die Übertragung schlicht abgeschaltet, entsteht auf der Gegenseite absolute Stille. Das wirkt wie ein Verbindungsabbruch — Gesprächspartner fragen nach, ob die Leitung noch steht.

Deshalb gehört zu jedem VAD-Verfahren die Erzeugung von Komfortrauschen. Der Sender überträgt in großen Abständen eine knappe Beschreibung des Hintergrundgeräusches; der Empfänger erzeugt daraus lokal ein passendes Rauschen.

Für den Hörer bleibt der Höreindruck damit gleichmäßig, obwohl über die Strecke fast nichts übertragen wird.

Nachteile

Abgeschnittene Wortanfänge. Die Erkennung benötigt einen Moment, um Sprache von Geräusch zu unterscheiden. In dieser Zeit ist die Übertragung noch ausgesetzt, sodass der Anfang eines Wortes fehlen kann. Besonders auffällig ist das bei kurzen Einwürfen wie einem zustimmenden Laut.

Fehlerkennung bei Hintergrundgeräuschen. In lauter Umgebung fällt die Unterscheidung schwer. Entweder wird zu viel als Sprache eingestuft, womit die Einsparung entfällt, oder zu wenig, womit Sprachanteile verlorengehen.

Musik und Töne. Wartemusik, Faxtöne und Modemsignale werden nicht zuverlässig als Sprache erkannt. Wo solche Signale übertragen werden, muss das Verfahren abgeschaltet sein — ein häufiger Grund für abbrechende Faxübertragungen über IP-Telefonie.

Schwankende Datenrate. Der Datenstrom wird ungleichmäßig. Für Verfahren, die auf gleichbleibende Paketabstände ausgelegt sind, ist das eine zusätzliche Belastung.

In der Praxis

Bei Verbindungen über ausreichend dimensionierte Strecken wird VAD häufig abgeschaltet. Die Einsparung wiegt die Einbußen in der Gesprächsqualität nicht auf, solange Bandbreite verfügbar ist.

Sinnvoll bleibt es dort, wo die Strecke knapp bemessen ist: bei Anbindungen kleiner Standorte, über Mobilfunk und bei Verbindungen mit vielen gleichzeitigen Gesprächen über eine schmale Anbindung.

Die Entscheidung ist damit keine grundsätzliche, sondern eine Abwägung je Strecke — und einer der ersten Punkte, die bei Beschwerden über abgehackte Sprachqualität geprüft werden sollten.