端点检测（Endpointing）指的是语音系统判断“用户这句话说完了、可以接话了”的那一瞬间。
它到底在判断什么
语音助手听到的是一段连续不断的音频流，它得决定什么时候停止收音，把这段音频交给语音识别（ASR，Automatic Speech Recognition）和后面的语言模型处理。一直不收，助手永远不回答；收得太早，用户后半句就被切掉。
底层通常先靠语音活动检测（VAD，Voice Activity Detection）——判断每一小段音频里是人在说话，还是静音、噪声。但 VAD 只回答“现在有没有人说话”，端点检测要做的是决策：静音持续多久，才算真的讲完了。
打个比方
这就像和一个急性子的朋友打电话。你只是停下来想一个词，他立刻接话：“所以呢？”——这是阈值调得太短。反过来，一个反应慢半拍的朋友，你都说完了，他还要干等一会儿才开口——这是阈值太长。两种都让人抓狂，只是一个抓狂在被打断，一个抓狂在干等。
为什么不只是数静音秒数
纯数静音很容易翻车。用户说“我想订一张……去上海的机票”，中间停顿一秒是在想目的地，这时候切断就闹笑话了。更聪明的做法会同时看语义和韵律：句子是否语法完整、语调是否收尾下沉、上一句是不是以“因为”“如果”这类词结尾。系统据此给每个停顿打分，而不是硬等一个固定时长。再进一步，模型可以在还没听完时就“抢跑”，先给一个低延迟的草稿结果，随着后续音频再修正。
和相邻概念的区别
| 概念 | 回答的问题 |
|---|---|
| VAD 语音活动检测 | 这一小段音频里有人在说话吗？ |
| 端点检测 | 用户这一句说完了吗，该结束这一轮了吗？ |
| 打断（barge-in） | 用户在我播报时插话了，要不要停下来？ |
| 轮次检测（turn detection） | 现在该谁说，谁持有话轮？ |
VAD 是零件，端点检测是决策，轮次检测是更大的框架。
对从业者和普通人的意义
做语音助手、客服机器人、会议转录、实时字幕，端点检测几乎是最影响“手感”的环节之一：它不改变模型有多聪明，却决定对话是顺畅还是别扭。产品上常见的折中是，先让助手快速给一个“嗯”或简短回应，表示我在听，把完整答案留给后面；或者允许用户随时打断纠正。具体默认行为各平台不同，以官方页面为准。
对普通人来说，这解释了一件小事：为什么有些语音助手用起来像在抢话，有些又像在梦游。不是它听不懂，而是它还没决定你讲完没有。