座舱助手为什么总打断你？两张表看懂VAD与EoT

发布时间：2026-08-31 12:10 | 原文链接

上个月陪客户实车验收座舱语音，出了个尴尬场面。

车主说："导航去机场……我说的是首都机场。"

中间那个停顿，大概 0.6 秒。系统判定"说完了"，ASR 截断、意图下发、导航已经开始搜"机场"——后半句直接丢了。车主盯着屏幕，半天憋出一句："这玩意儿故意跟我作对是吧。"

全场安静。我们当晚就把这个问题拉了个专项。

排查到最后发现：这根本不是 ASR 的锅，也不是大模型的锅。问题出在两个很多团队从没认真设计过的组件上——VAD 和 EoT。

这篇文章，我把这两个概念从原理到座舱落地完整讲一遍，文末有可以直接抄的代码骨架。

VAD 是什么：门口听"有没有动静"的保安

VAD，Voice Activity Detection，语音活动检测。

一句话定义：判断当前这段音频里，到底有没有人在说话。

它工作在声学层，只看声音信号本身，不理解任何语义。你可以把它理解成门口保安——他不关心你说什么，只关心"门口现在有没有人"。

主流实现分三代：

座舱环境对 VAD 极其不友好：风噪、胎噪、空调风、音乐外放、后排小孩喊叫，全在干扰判断。所以车载场景几乎都用神经 VAD，而且必须配合 AEC（回声消除）——否则助理自己在播报，VAD 会把扬声器的声音当成"用户在说话"，出现诡异的自问自答。

VAD 的输出很简单，就是一串逐帧的 0/1：这段有语音，这段没有。

注意，它只回答"有没有"，不回答"完没完"。这个区别，就是全部麻烦的起点。

EoT 是什么：判断"你说完了没有"的秘书

EoT，End of Turn，话轮结束检测（也叫语义端点检测，Semantic Endpointing）。

一句话定义：判断用户这句话是不是已经说完了，系统能不能开始干活了。

它工作在语义层，看的是文字内容，不是声音。类比一下：好的秘书不会等你闭嘴 3 秒才行动，他能从你的措辞里听出"这事儿交代完了"。

传统方案没有 EoT，只有静音超时：VAD 检测到连续静音超过阈值（通常 500-800ms），就认定用户说完了。

问题就出在这：

人的停顿，不等于说完。

"导航去机场……（思考 0.6 秒）……我说的是首都机场。"这句话中间有天然停顿。静音超时机制分不清这是"说完了"还是"在想词"，只能一刀切——宁可早判，不然响应太慢。于是用户被掐断，体验崩了。

语义 EoT 的思路完全不同：把 ASR 的实时转写文本流喂给一个小模型，让它实时预测"这句话完整的概率"。说到"导航去机场"，模型给 0.62——句子不完整，继续等；说到"我说的是首都机场"，概率跳到 0.93——可以动手了。

一张表看清两者区别

VAD 决定系统听没听到你，EoT 决定系统等不等你。一个管耳朵，一个管脑子。

两者必须配合：VAD 负责切出"一段有人说话的音频"送去 ASR，EoT 负责决定"这段转写够不够完整"送去下游执行。

代码骨架：一个能直接抄的协同实现

先看 VAD 状态机，管理"开始收音 → 收音中 → 出现静音"的流转：

# 流式 VAD 状态机（车载简化版）class VadStateMachine:    """    状态：IDLE（无人说话）→ SPEAKING（收音中）→ TRAILING（出现静音，观察期）    - frame_ms: 单帧音频时长，通常 10-30ms    - speech_thresh: 神经 VAD 输出的说话概率阈值    - silence_timeout_ms: 静音超时，传统方案的截断线    """    IDLE, SPEAKING, TRAILING = "idle", "speaking", "trailing"    def __init__(self, speech_thresh=0.5, silence_timeout_ms=700):        self.state, self.speech_thresh = self.IDLE, speech_thresh        self.silence_timeout_ms = silence_timeout_ms        self.silence_ms = 0   # 已累计静音时长    def on_frame(self, speech_prob: float, frame_ms: int) -> str:        if speech_prob >= self.speech_thresh:      # 有语音，静音清零            self.silence_ms = 0            self.state = self.SPEAKING            return "keep_listening"        # 无语音：累加静音，进入观察期        self.silence_ms += frame_ms        self.state = self.TRAILING        if self.silence_ms >= self.silence_timeout_ms:            return "vad_timeout"                   # 静音超时，触发截断判定        return "keep_listening"

这段代码做了一件事：把"静音超时"从一个拍脑袋的全局常数，变成状态机里一个显式、可调节的旋钮。但注意——vad_timeout 只是候选截断信号，最终截不截，要交给 EoT 拍板：

# 语义 EoT 打分：判断转写文本是否构成完整指令（简化版）def eot_score(partial_text: str) -> float:    """    返回这句话"已说完"的概率，生产上由小模型输出，此处为规则示意：    - partial_text: ASR 实时转写的累积文本    """    if not partial_text.strip():        return 0.0    # 悬空连接词/介词结尾：大概率没说完（"导航去""放一首"）    dangling = ("去", "到", "放", "放一首", "搜索", "打开")    if partial_text.rstrip().endswith(dangling):        return 0.35    # 修正性表述（"不是…我说的是…"）：等待最终落点    if "我说的是" in partial_text and not partial_text.rstrip().endswith(("场", "站", "店")):        return 0.5    # 有明确槽位（目的地/温度/歌名），判定完整    return 0.92EOT_THRESHOLD = 0.8   # 高于此值才允许截断下发def decide_endpoint(partial_text: str, vad_event: str) -> str:    if vad_event == "vad_timeout" and eot_score(partial_text) >= EOT_THRESHOLD:        return "fire"            # 静音超时 + 语义完整 → 下发执行    if eot_score(partial_text) >= 0.95:        return "fire"            # 语义高度完整，可提前截断，抢回延迟    return "wait"                # 继续等，给用户把话说完的机会

白话解读：VAD 喊"他停下来了"，EoT 看一眼文字说"句子还不完整，再等等"——两个信号一票否决制，任何一个说没完，系统就继续等。开头那个"导航去机场……我说的是首都机场"的案例，就是靠 eot_score 在第一次停顿时返回 0.35 拦下来的。

这套机制还有个隐藏收益：语义完整度足够高时（≥0.95），可以不等静音超时就提前截断，把平均首响延迟抢回 200-400ms。截得准，反而比纯静音超时更快。

座舱特有的三个附加题

第一题：打断场景下，EoT 要防"接飞刀"。

助理正在播报，用户突然插话。此时音频流里混着 TTS 的回声，VAD 容易把回声当人声。必须先过 AEC，再让 VAD 判定打断是否成立——打断确认后才切换到"听用户"模式，EoT 重新开始判完整。

第二题：免唤醒场景，EoT 阈值要更保守。

可见即可说、免唤醒指令没有唤醒词做"起点标记"，系统不知道用户从哪一刻开始下指令。这时 EoT 的完整度阈值建议从 0.8 提到 0.85-0.9，宁可多等 100ms，也不能把半句闲聊当指令执行。

第三题：多音区下，每个音区一条独立管线。

主驾和副驾同时说话，意味着两套并行的 VAD + ASR + EoT 实例，各自维护自己的静音计时和完整度打分。用一条全局管线混着算，两个座位的停顿会互相干扰——这是很多团队做多音区时栽过的坑。

避坑指南：3 个我们付过学费的参数

坑 1：静音超时全局一刀切。控车指令用户说得干脆，500ms 够了；问路、闲聊用户会边想边说，要 800ms 以上。按意图类别动态调超时，别用一个常数应付所有场景。

坑 2：只看平均延迟，不看早截断率。有团队把静音超时从 800ms 压到 400ms，平均首响确实快了，但早截断率从 2% 飙到 11%——那 11% 的用户体验是灾难级的。EoT 的优化目标永远是"早截断率 < 3% 的前提下，最小化判定延迟"，顺序不能反。

坑 3：EoT 模型离线不可用就整个回退静音超时。隧道场景端侧小模型跑不动完整版，正确做法是降级到"规则版 EoT"（就像上面代码里的悬空词检测），而不是裸奔回纯静音超时——降级方案也要分层。

趋势判断

现在头部座舱方案已经在把 VAD 和 EoT 往一个端到端模型里收——音频和文本联合建模，直接输出"该不该动手"的决策，省掉两段式拼接的误差累积。

但我的判断是：在未来两三年内，"VAD 管听、EoT 管等"的两段式架构仍是主流，因为它可解释、可分别调优、可分级降级——这三点对车规级产品比什么都重要。

VAD 决定系统听没听到你，EoT 决定系统等不等你。把这两件事分开设计、分开度量、分开背指标，座舱语音的"抢话"和"迟钝"才能真正根治。

你们的车机被用户投诉过"抢话"吗？最后定位到是哪个环节？评论区聊聊，这个问题我怀疑全行业都踩过。

如果这篇文章帮你在评审会上多了一个说服人的论据，顺手转发给做语音交互的同事——这两个概念，太多团队到现在还是混着叫的。

举报/反馈

对本文内容有合作意向？

我们将在 1 个工作日内与您联系

留言咨询