一句话定义：VAD（Voice Activity Detection，语音活动检测）就是判断"这段音频里此刻有没有人在说话"的技术。它不关心你说了什么，只回答"有声还是无声、是不是人声"。
打个比方，VAD 像公司前台：访客进门，前台先确认"有人来了"；然后一直留意着，等对方停下不再开口，才决定"话讲完了，可以叫里面的人出来"。至于访客具体讲了什么事，是后面会议室里的事——那一步对应 ASR（Automatic Speech Recognition，自动语音识别）。
原理上，VAD 把音频切成很短的帧（常见十几到几十毫秒一帧），逐帧计算能量、频谱等特征，或直接送进一个小神经网络，输出"这帧有声 / 无声"，再把结果平滑起来（比如连续几帧有声才算真的开始，避免咳嗽、键盘声误触发），最终得到一段段"有人在说话"的时间区间。
真正决定手感的是几个阈值：
- 起始灵敏度：太灵敏，空调声、敲键盘都会把助手吵醒；太迟钝，你开口的第一个字会被吃掉。
- 结束静音时长：要安静多久才算"说完了"。设短了，你只是换口气想下一个词，AI 就抢话；设长了，每轮都多等半秒，聊十分钟就会觉得"这助手反应真慢"。
- 打断（barge-in）：AI 正在播报时，能否听出用户插话并立刻闭嘴。做不好，用户会觉得根本抢不上话。
和相邻概念的分工：
| 概念 | 回答的问题 | 输出 |
|---|---|---|
| VAD | 现在有没有人在说话 | 有声/无声的时间段 |
| 端点检测（endpointing） | 这一轮什么时候算结束 | 一个切分点，通常由 VAD 加静音计时组合而成 |
| ASR | 说的是哪些字 | 文本 |
| 说话人分离（diarization） | 这句话是谁说的 | 带说话人标签的文本 |
| 唤醒词（wake word） | 是不是在叫我的名字 | 触发或不触发 |
对从业者，VAD 常是投入产出比最高的一环：它挡在 ASR 前面，静音段不送进模型，省算力也省调用量；它又直接决定对话节奏，而人判断"这个语音助手聪不聪明"，很大程度来自节奏，而不是答案本身。对普通人，你遇到的"AI 抢话""要等两秒才理我""喊半天没反应"，十有八九不是模型不行，而是 VAD 阈值没调好。具体产品怎么调、默认多少毫秒，以各家官方文档为准。