如何在Android中检测讲话开始和语音结束，如会说话的汤姆猫？

Question

我能够录制音频，更改采样率并播放。但是，如何在不触摸屏幕的情况下检测音频的开头和结尾？

不寻找代码，只是向正确的方向发展。