Detecção de Fim de Fala (End-of-Utterance Detection)

Diferentemente da detecção de atividade de voz, que classifica pequenos quadros como fala ou não fala, a detecção de fim de fala decide se o turno do usuário foi concluído e o sistema pode parar de ouvir, finalizar o ASR e responder. O mecanismo pode usar um timeout de silêncio, mas sistemas avançados combinam VAD, prosódia, duração, pontuação do ASR, palavras parciais e contexto linguístico. Pausas de 500–1.500 ms são comuns em produtos, porém não constituem padrão universal. Um limiar curto reduz latência e aumenta cortes; um longo evita interrupção, mas deixa a conversa lenta. Em casa inteligente, o detector deve lidar com ruído, idosos, crianças, disfluências, comandos compostos e fala sobreposta. O erro pode executar uma intenção incompleta.

• VAD e end-of-utterance resolvem níveis diferentes. VAD pode dizer “não há fala neste quadro de 20 ms”. Isso não significa que o usuário terminou; ele pode estar respirando, pensando ou fazendo pausa entre cômodo e valor. O endpointer agrega sequência e contexto. Um sistema simples inicia um timer quando o VAD vira silêncio e encerra após, por exemplo, 800 ms. Histerese evita alternância. Um pre-roll mantém áudio antes do início; um hangover mantém após. Os parâmetros variam com ruído. Se o timeout é fixo, “acenda a luz da... cozinha” pode ser cortado. O sistema deve testar padrões. A decisão pode ser revisada se fala retorna antes da resposta.
• Modelos semânticos usam hipóteses parciais do ASR. A frase “coloque a temperatura em” está incompleta e sugere esperar, mesmo após uma pausa. “Apague as luzes da sala” parece completa. Um classificador de fim de turno pode combinar tokens, probabilidade, pontuação acústica e prosódia. Isso reduz latência sem cortar. Porém, depende do idioma e modelo. Português tem estruturas e hesitações. Nomes de dispositivos desconhecidos podem parecer final. O modelo precisa de dados reais. Uma falha do ASR pode transformar frase completa em incompleta ou vice-versa. O sistema mantém limite máximo para não ouvir indefinidamente. A decisão é um score calibrado, não certeza.
• A latência percebida é composta. Após o último fonema, há timeout de endpoint, finalização do ASR, NLU/LLM, ferramentas e TTS. Reduzir 500 ms no endpoint pode melhorar muito, mas aumentar cortes custa mais. Métricas incluem endpoint latency, cut-off rate, false endpoint, over-wait e task success. p50 e p95. Para comandos curtos, timeout menor. Para ditado, maior. O sistema pode adaptar por intenção e usuário, com consentimento. Um modo acessível permite pausas longas. Push-to-talk elimina parte da decisão: soltar botão indica fim. Essa alternativa é importante em ambientes ruidosos e para pessoas com fala atípica. O usuário deve poder escolher.
• Barge-in e fala sobreposta complicam. O assistente pode estar falando e o usuário interrompe. AEC remove TTS; VAD detecta nova voz; o sistema interrompe saída e inicia turno. Se a TV fala, pode falso. Wake word, direção e perfil ajudam. Em conversa com duas pessoas, diarização pode indicar mudança. O detector não deve encerrar uma pessoa porque outra fez ruído. Overlap pode. Para ações críticas, uma transcrição incompleta não executa. O sistema verifica gramática e slots. “Abra o” não tem alvo. Se o endpoint corta, NLU deve pedir esclarecimento. O erro em uma camada não pode virar ação por adivinhação.
• Ambientes com perda de pacotes e streaming precisam de tolerância. Áudio chega em frames. Jitter buffer reordena. Um gap de rede pode parecer silêncio e disparar fim. O servidor usa timestamps, sequência e sinal de perda. Não encerra por pacote perdido isolado. Em processamento cloud, latência de uplink e buffer. Local reduz. O cliente pode fazer VAD e o servidor endpointer semântico, mas sincronização. Se a rede cai, o dispositivo deve cancelar ou usar processamento local, não enviar fragmento antigo depois. A privacidade exige parar captura ao detectar fim e sinalizar. Não manter microfone aberto sem necessidade. O áudio residual é descartado conforme política.
• O detector deve ser ajustado por impacto. Para luz, uma resposta prematura pode ser corrigida. Para portão, qualquer intenção incompleta exige confirmação. A política usa transcrição final, slots e autenticação. O endpointer não autoriza. Testes incluem hesitações “é...”, números, listas, negações, ruído, tosse, respiração, crianças, idosos e sotaques. Compare timeouts e modelo. A atualização do ASR pode alterar. Um mecanismo adaptativo não deve aprender silenciosamente uma pausa de usuário e compartilhar com outros. Perfis são opcionais. O sistema oferece feedback visual de que está ouvindo e um botão de cancelar. Conversação natural exige rapidez, mas segurança exige reconhecer incerteza.