4. 唤醒词模型架构：经典DNN架构、CNN架构、TCNN（时间卷积网络）、CRNN（卷积循环网络）
好，咱们进入正题。唤醒词模型到底长什么样？说白了，就是怎么把一段声音信号，变成「是/否」的判断。我这些年折腾过不少架构，从最土的DNN到现在的CRNN，踩过的坑能写本书。今天就把四种主流架构掰开揉碎了讲给你听。
4.1 经典DNN架构：简单粗暴，但够用
先说说最基础的DNN。你想想看，2014年左右那会儿，大家刚把深度学习用到语音上，思路特别直接——把音频切成帧，每帧提个MFCC特征，然后堆几个全连接层完事。
核心思路： 把时序问题当成静态问题处理。每帧独立判断，最后用平滑策略做决策。
我记得第一次做唤醒词项目，用的就是三层DNN。结构大概是这样的：
输入层: 40维MFCC特征（每帧）
隐藏层1: 256个神经元，ReLU激活
隐藏层2: 128个神经元，ReLU激活
隐藏层3: 64个神经元，ReLU激活
输出层: 2个神经元（唤醒词/非唤醒词），Softmax嗯，这里要注意——DNN有个致命问题：它完全不考虑时序上下文。你想想看，一个「你好」的发音，前后帧是有依赖关系的。DNN把每帧割裂开，就像看电影只看单帧画面，当然容易误判。
我的经验： 如果资源极度受限（比如只有几十KB的Flash），DNN还是能打的。我在一个低功耗蓝牙耳机项目里用过，配合简单的状态机做后处理，准确率也能到90%以上。
4.2 CNN架构：引入局部感受野
后来大家发现，语音的时频图其实很像图像。那为什么不把卷积神经网络搬过来呢？
CNN的好处很明显：它能捕捉局部模式。比如「小爱同学」这个唤醒词，「小」和「爱」之间的过渡特征，CNN通过卷积核就能学到。
我常用的一个轻量级CNN结构：
输入: 40x20的时频图（40维MFCC，20帧上下文）
Conv1: 3x3卷积，32通道，ReLU + BN
Conv2: 3x3卷积，64通道，ReLU + BN
Conv3: 3x3卷积，128通道，ReLU + BN
全局平均池化
全连接层: 128 -> 2说实话，CNN比DNN强不少。我在项目中做过对比，同样的训练数据，CNN的唤醒率能提升5-8个点，虚警率降低一半。
避坑指南： 我曾经在CNN里堆了太多层，结果模型在低信噪比环境下反而变差了。后来发现是过拟合了噪声模式。建议CNN不超过4层卷积，否则小模型容易学歪。
4.3 TCNN（时间卷积网络）：因果卷积的妙用
TCNN，说白了就是带因果约束的CNN。为什么要加因果？你想想看，唤醒词模型是实时运行的——当前时刻的输出，只能依赖过去和现在的信息，不能看未来的帧。
标准CNN是双向的，它会「偷看」未来的帧。这在离线任务里没问题，但在线推理时就露馅了。TCNN通过因果卷积解决了这个问题：
因果卷积: 输出t时刻的值，只依赖输入t, t-1, t-2,... 的帧
空洞卷积: 通过跳步扩大感受野，比如dilation=2时，能看到t, t-2, t-4我个人习惯用WaveNet那种堆叠空洞卷积的方式。举个例子：
输入: 40维MFCC序列
Conv1: 因果卷积，kernel=3，dilation=1，64通道
Conv2: 因果卷积，kernel=3，dilation=2，64通道
Conv3: 因果卷积，kernel=3，dilation=4，64通道
Conv4: 因果卷积，kernel=3，dilation=8，64通道
输出: 2维（每帧一个预测）这样做的好处是感受野指数级增长。4层卷积就能看到1+2+4+8=15帧的上下文，而参数只增加了线性量。
关键点： TCNN特别适合对延迟敏感的场景。我在智能音箱项目里用过，端到端延迟能控制在50ms以内，比后面要讲的CRNN快不少。
4.4 CRNN（卷积循环网络）：时序建模的王者
最后说说CRNN，这基本是现在唤醒词模型的标配了。它把CNN和RNN结合起来——CNN负责提取局部特征，RNN负责建模长时序依赖。
我常用的CRNN结构：
输入: 40维MFCC序列（比如100帧）
CNN部分:
Conv1: 3x3卷积，32通道，ReLU + BN
Conv2: 3x3卷积，64通道，ReLU + BN
时间降采样: stride=2（帧数减半）
RNN部分:
GRU层: 128个隐藏单元（双向或单向）
或者用LSTM，看你的偏好
输出层:
全连接: 128 -> 2
每帧输出一个预测分数为什么CRNN强？因为唤醒词通常有0.5-1秒的时长，CNN的感受野有限，而RNN理论上能记住整个序列。我在实际项目里测过，CRNN比纯CNN的唤醒率高出3-5个点，尤其是在口音变化大的场景下。
我的建议： 如果设备算力允许，优先选CRNN。但要注意——双向RNN在实时推理时会有延迟，因为要看未来帧。我一般用单向GRU，配合适当的上下文窗口，效果和双向差不多，延迟还低。
4.5 四种架构对比总结
好了，四种架构都讲完了。我整理了个表格，方便你对比：
| 架构 | 时序建模能力 | 参数量 | 推理延迟 | 适合场景 |
|---|---|---|---|---|
| DNN | 弱（无上下文） | 小 | 低 | 资源极度受限 |
| CNN | 中（局部上下文） | 中 | 低 | 中等算力设备 |
| TCNN | 较强（因果时序） | 中 | 低 | 低延迟在线推理 |
| CRNN | 强（长时序依赖） | 大 | 中 | 高精度唤醒 |
说实话，没有银弹。我见过有人用DNN做得很好的，也见过CRNN翻车的。关键还是看你的硬件约束和场景需求。嗯，下一章咱们聊聊怎么选型，以及实际部署时要注意的那些坑。