1. 语音识别概述：从实验室到你的口袋
大家好，我是你们这门课的主讲。今天咱们聊聊语音识别这回事儿。
说实话，我入行那会儿，语音识别还是个挺“高冷”的技术。记得2012年我第一次在嵌入式板子上跑语音识别，那感觉就像在自行车上装火箭发动机——想法很美好，现实很骨感。但你看现在，连几十块钱的智能灯泡都能听懂人话了。这中间到底发生了什么？
1.1 语音识别技术发展史：三个关键转折点
语音识别不是一天建成的。我个人习惯把它的发展分成三个阶段：
| 阶段 | 时间 | 核心技术 | 我印象最深的事 |
|---|---|---|---|
| 模板匹配时代 | 1970s-1990s | DTW、HMM | 只能识别几十个词，还得对着麦克风喊 |
| 统计模型时代 | 1990s-2010s | GMM-HMM、N-gram | 我第一次用上连续语音识别，激动坏了 |
| 深度学习时代 | 2012至今 | DNN、LSTM、Transformer | 准确率从80%直接跳到95%以上 |
为什么会这样？说白了，就是算力上来了，数据量也上来了。以前我们做语音识别，得手工设计特征，什么MFCC、PLP，调参调到吐。现在？扔给神经网络，它自己学。
关键转折点：2012年，Hinton团队用深度神经网络在语音识别上取得突破。从那以后，整个行业都变了。我在2014年第一次把DNN移植到ARM Cortex-M4上，虽然只能跑个简单的关键词检测，但那种感觉——嗯，就像你第一次让单片机发出声音一样，特别有成就感。
1.2 应用场景：智能家居和可穿戴设备
你想想看，现在语音识别都用在哪儿了？
- 智能家居：“小爱同学，关灯”——这背后就是语音识别。但这里有个坑：家里环境噪音大，电视声、空调声、小孩哭闹声，都对识别有影响。我在项目中遇到过，用户说“打开客厅灯”，结果因为电视噪音，识别成了“打开客厅门”。你说尴尬不尴尬？
- 可穿戴设备：手表、耳机、眼镜。这些设备有个共同点：电池小，算力有限。我曾经做过一款智能手表，语音唤醒功能耗电占整机功耗的15%。后来优化到3%，才勉强能接受。
这里我给大家一个避坑指南：低功耗设备的语音识别，核心不是“识别得有多准”，而是“在功耗预算内，识别得尽可能准”。你想想看，一个智能灯泡，你给它装个云端语音识别，每次说话都要联网，延迟高不说，功耗还大。用户喊一声“开灯”，等三秒才亮，这体验能好吗？
1.3 低功耗设备面临的挑战：三个硬骨头
好了，咱们来聊聊最核心的问题。低功耗设备做语音识别，到底难在哪儿？
我个人总结了三座大山：
- 算力受限——说白了，芯片跑不动。一个典型的Cortex-M4，主频也就100MHz左右，RAM几十KB。你让它跑个完整的深度学习模型？门儿都没有。我刚开始做的时候，试过把TensorFlow Lite Micro的模型直接烧进去，结果系统直接死机。后来才明白，得做模型剪枝和量化。
- 功耗瓶颈——语音识别需要一直开着麦克风。麦克风本身功耗不高，但后面的ADC、DSP、内存访问，加起来就不少了。我记得有个项目，用户反映手表半天就没电了。一查，语音唤醒模块一直在全速运行。后来改成“低功耗监听+事件触发”模式，续航直接翻倍。
- 环境噪声——这个最头疼。你在安静的实验室里测试，准确率99%。拿到用户家里，电视开着、小孩在跑、窗外有车——准确率直接掉到70%。我踩过这个坑，后来学乖了，做产品前先收集真实场景的噪声数据，做数据增强。
我的经验：做低功耗语音识别，一定要先想清楚“边界条件”。比如：
- 用户离麦克风多远？（1米？3米？）
- 环境噪音多大？（安静办公室？嘈杂商场？）
- 需要识别多少个词？（10个？100个？无限词汇？）
这些条件不同，技术方案天差地别。别一上来就想搞个大而全的方案，那多半会失败。
1.4 一个简单的例子：关键词检测的功耗对比
咱们来看个具体的数字。假设我们要做一个“小爱同学”这样的唤醒词检测：
| 方案 | 处理器 | 功耗 | 延迟 | 准确率 |
|---|---|---|---|---|
| 云端识别 | WiFi模块+云端服务器 | ~500mW（含WiFi） | 1-3秒 | 98% |
| 本地DSP | 专用DSP芯片 | ~50mW | 0.3秒 | 95% |
| MCU+轻量模型 | Cortex-M4 | ~10mW | 0.1秒 | 92% |
你看，云端方案虽然准，但功耗是MCU方案的50倍。对于电池供电的设备，这根本不可接受。所以，低功耗语音识别的核心思路就是：在本地做轻量级处理，只在必要时才唤醒主处理器或联网。
注意：别被“准确率”这个数字骗了。92%和98%看起来差6%，但在实际使用中，92%意味着每12次唤醒就有1次失败。用户会疯掉的。所以，我们通常会用“虚警率”和“漏报率”来评估。虚警率太高，设备老是自己乱动；漏报率太高，用户喊破嗓子也没反应。这两者需要平衡。
1.5 本章小结
好了，咱们把这一章的内容捋一捋：
- 语音识别从模板匹配走到深度学习，算力和数据是关键
- 智能家居和可穿戴是两大核心应用场景，但各有各的坑
- 低功耗设备面临算力、功耗、噪声三大挑战
- 解决方案是：本地轻量处理 + 必要时唤醒
下一章，咱们会深入聊聊麦克风阵列和信号处理。嗯，那才是真正动手的地方。到时候我会带大家看一个实际的项目案例——我在一个智能门锁项目里是怎么搞定语音唤醒的。敬请期待。
对了，如果你现在手头有开发板，可以先试试跑一个最简单的“LED灯语音控制”demo。别管效果好不好，先感受一下整个流程。我当年就是这么入门的。