Detekce hlasové aktivity rozpoznává, ve kterých úsecích zvukového signálu někdo mluví a kde je ticho nebo jiný zvuk. Nezjišťuje sama, co člověk říká ani kdo mluví; to řeší jiné části systému. Může využívat jednoduchá pravidla i naučený model. V hlasové AI pomáhá spouštět přepis jen v potřebných chvílích a zachytit, že uživatel začal mluvit. Samotná pauza ale ještě nemusí znamenat konec repliky: člověk se může pouze nadechovat nebo přemýšlet. Rozpoznání konce promluvy a přerušení odpovědi asistenta proto vyžadují další rozhodování.
