沉默可能是思考也可能是离开
别名: 思考中的沉默 · 离席沉默 · thinking versus departure
概念解释
系统刚问完「盐放多少」，厨房里接下来几秒没有人声。人可能正盯着菜谱算克数，也可能已经端着盘子进了餐厅。麦克风录到的都是同一种东西：无语音。这种歧义沉默（ambiguous silence）把「还在对话里组织答案」和「已经退出对话」压成同一个观察。它不是端点检测里「一句话有没有说完」，也不是超时该设几秒；它问的是：这段空白究竟还算不算当前会话的一部分。
机制
问句把话轮交给用户之后，系统只看见能量低于阈值。生成这段空白的过程却有两条。一条是认知占用：读标签、心算、在通讯录里找名字，口还没张开，人仍面向设备、仍是受话人。另一条是离席：走向别的房间、被门口的人叫走、会话在心里已经结束。声学上两条路径不可分，因为缺的都是语音，不是两种不同的噪声。
把空白一律当成「人还在、只是慢」，设备会对着空房间继续说话；一律当成「人走了」，会切断正在组织句子的人。错的不是计时器快了慢了，是用单一标签覆盖了两个状态。能拆开这两态的，往往是语音以外的线索：房间里还有脚步、屏幕前还有脸、用户刚发出过填充音。没有这些线索时，第一次空白只能当未决，不能当判决。
怎么研究
搭一间能同步录像的房间，让一半试次在提问后继续看材料（菜谱、清单），另一半在提问后按指示离开。只把麦克风轨交给标注者，看他们把空白标成「思考」还是「离开」的正确率——这就是系统面对的信息上限。再把视频里的在场编码（是否仍在设备朝向的空间里）当作金标准，分别统计误判离席（切断还在想的人）和误判在场（对空房间说话）。
现场日志可以做弱监督：超时之后若很快出现「我在」或一句完整答案，更像思考；若直到会话被关都没有人声、且后续唤醒发生在别的房间，更像离开。不要用实验室里「请想三秒再答」来代替离席，那只复制了认知占用。
边界
手被占用、眼在读说明书时，长空白仍是在场，只是通道被主任务借走。通话中把手机扣在桌上，人可能还在，只是嘴离开了麦——在场不等于对着麦克风。多人房间里，被问的人没出声是因为旁边的人抢了话轮，不是走了。对运动障碍或构音慢的用户，用「几秒无声」推断离席会系统性误伤。能看见人脸的设备拥有声学没有的证据；把那套结论搬到纯扬声器上会高估可分性。
怎么落地
- 第一次无语音不要写成「用户已离开」。先当未决：一句很短的探问（「还在吗」）或只点亮聆听态，而不是直接关会话或执行动作。
- 有在场传感器就用：持续噪声、人体存在、屏幕前的脸，都可以把「离开」的置信度单独抬升；没有这些通道，就不要装成能判断。
- 把「问句之后的无声」和「系统自己说完陈述句之后的无声」分开记。前者更像等人答，后者更像会话已经松弛。
- 走查时并排看第一人称画面和麦克风：画面里人还在翻抽屉，系统却已经说「那我先不问了」，就是把思考标成了离开。