Turnos e interrupciones
VAD detecta actividad. El fin de turno necesita evidencia sobre la intención completa.
Los enlaces con ?t= abren el vídeo en un segundo concreto.
Las ideas que debes retener
VAD responde «¿hay habla?», no «¿ha terminado la idea?»
Un detector de actividad de voz clasifica regiones de audio como habla o no habla. Silero VAD, por ejemplo, expone timestamps de habla y está diseñado precisamente como detector de…
Un timeout es una política, no una prueba semántica
La forma más simple de endpointing es esperar una ventana de silencio:
Endpointing: decidir cuándo comprometer el turno
El endpoint es el momento en que el sistema deja de tratar el input como un turno todavía abierto y permite que la respuesta dependa de él.
Ve directamente a una sección
Leer transcripción revisada
Vídeo sin narración. Esta transcripción reproduce el texto visual del vídeo; no atribuye una voz inexistente.
Una pausa no termina la idea
«Cambia la dirección… del pedido 4182». La pausa intermedia dura 350 milisegundos en este ejemplo.
Un cierre a los 250 milisegundos corta la petición antes de identificar el pedido.
VAD detecta actividad. El fin de turno necesita evidencia sobre la intención completa.
Esperar también tiene un coste
Una ventana corta puede confundir una pausa con el final. Una larga puede crear silencio.
Aumentar el timeout protege esta frase incompleta, pero retrasa un «sí» ya completo.
Ajusta cortes prematuros y espera juntos. Un número de latencia menor no basta.
Inicio rápido. Final con evidencia.
Detectar pronto que el usuario empieza permite considerar cederle el canal.
Cerrar su turno demasiado pronto puede cambiar el significado de la petición.
Usa decisiones de inicio y fin separadas, con una autoridad clara para cada una.
¿Quiere tomar el turno?
Un «ajá» puede mostrar atención sin pedir que el agente deje de hablar.
«Espera, cambia la hora» sí puede requerir detener la respuesta y escuchar.
El contexto decide: detectar voz es evidencia, no una orden universal de cancelación.
No basta con parar la generación
R7 ya tiene un fragmento reproducido, otros en cola y más audio por generar.
La interrupción detiene nuevo output y retira el audio pendiente de la cola.
Conserva el prefijo confirmado. No confundas lo generado con lo realmente reproducido.
Un turno. Una decisión.
Dos detectores pueden proponer cerrar T12. No deben iniciar dos respuestas independientes.
Una autoridad admite el cierre una sola vez y asigna la respuesta R7.
Cuando T13 reemplaza al turno, el audio tardío de R7 no recupera el canal.
