feat(voice): add local VAD speech endpoint detection

components/domain/include/domain.h

@@ -297,16 +297,44 @@ esp_err_t domain_runtime_multimodal_audio_start_uplink(
         void *user_data);
 
 /**
- * @brief 有界停止多模态上行采集和流发送。 / Stop uplink capture/stream with bounded teardown.
+ * @brief 暂停采集、补齐尾帧并限时排空发送；常驻任务由 deinit 回收。
  *
- * `timeout_ms < 0` is invalid, zero requests asynchronous stop, and positive
- * values wait up to the bound before lower layers apply deterministic fallback.
+ * 负超时无效；零尝试立即完成，否则 ESP_ERR_TIMEOUT；正数为完整调用预算。
+ * 成功后没有在途采集/发送；超时保留资源供重试，不后台清理，不应发送 StopSpeech。
  */
 esp_err_t domain_runtime_multimodal_audio_stop_uplink(int timeout_ms);
 bool domain_runtime_multimodal_audio_is_uplink_running(void);
 bool domain_runtime_multimodal_audio_is_initialized(void);
 /** 保留麦克风采集，仅控制扬声器输出。 / Gate speaker output while preserving capture. */
 esp_err_t domain_runtime_multimodal_audio_set_speaker_output_enabled(bool enabled);
+
+typedef struct {
+    uint32_t generation;
+    uint32_t min_speech_ms;
+    uint32_t end_silence_ms;
+} domain_speech_endpoint_config_t;
+
+typedef struct {
+    uint32_t generation;
+    bool active;
+    bool speech_confirmed;
+    bool ended;
+    uint32_t audio_ms;
+    uint32_t silence_ms;
+    uint32_t max_process_us;
+    uint32_t discontinuities;
+} domain_speech_endpoint_snapshot_t;
+
+/**
+ * 本地端点检测，无新 worker。start 对相同配置幂等，不同配置须先 stop。
+ * start/stop/get_snapshot 最多等锁 100 ms；stop 另以同一总预算等待 PCM 回调。
+ * stop 超时保持资源可重试，绝不后台释放；成功移除订阅并销毁 VAD。
+ * PCM 回调只用零等待锁及固定 20 ms 分帧，不执行协议或阻塞式收尾。
+ * 配置关闭时 start 返回 ESP_ERR_NOT_SUPPORTED，stop 幂等，快照为 inactive。
+ */
+esp_err_t domain_speech_endpoint_start(const domain_speech_endpoint_config_t *config);
+esp_err_t domain_speech_endpoint_stop(void);
+esp_err_t domain_speech_endpoint_get_snapshot(domain_speech_endpoint_snapshot_t *out);
 /**
  * @brief 启动“喵掌柜”本地 MultiNet 检测。 / Start local MultiNet detection for "喵掌柜".
  *