1、唤醒词技术概述

什么是语音唤醒

语音唤醒，说白了就是让设备「听到」特定的词或短语后，自动从休眠状态进入工作状态。

我经常跟团队新人这么解释：
你想想看，智能音箱平时是「睡着」的，只有你说出「小爱同学」或「天猫精灵」时，它才「醒」过来。这个从睡到醒的过程，就是语音唤醒。

从技术角度看，唤醒词系统是一个轻量级的语音识别引擎。它不像语音听写那样要识别所有内容，只需要判断「刚才说的词是不是我预设的那个」。所以它的模型更小、计算量更低、功耗也更小。

嗯，这里要注意：
唤醒词系统是始终在监听的。这意味着它必须一直运行在设备上，哪怕设备处于待机状态。所以低功耗、低延迟是它的核心要求。

唤醒词的应用场景

我这些年接触过的唤醒词项目，主要集中在三个场景：

智能音箱

这是最典型的场景。你喊「小度小度」，音箱就亮了。
我个人习惯把这类场景叫做「远场唤醒」——用户可能离设备3-5米，环境里还有电视声、空调声、人说话声。这对唤醒系统的抗噪能力要求很高。

我在项目中遇到过一个问题：
用户明明喊了唤醒词，但音箱没反应。后来发现是电视里正在播广告，广告里也出现了「小度」这个词。这就是典型的误唤醒问题。

车载场景

车载环境更复杂。风噪、胎噪、音乐声、乘客聊天声……
我建议车载唤醒词要选发音清晰、不易混淆的词。比如「你好，奔驰」就比「嘿，奔奔」好——后者容易被「嘿嘿」误触发。

车载还有一个特殊要求：安全优先。
唤醒延迟不能太高，否则驾驶员会分心去操作屏幕。我见过一些方案，唤醒延迟做到200ms以内，体验就很流畅了。

手机端

手机上的唤醒词，比如「Hey Siri」或「小艺小艺」。
手机场景的特点是：近场为主，但功耗极其敏感。因为唤醒系统要一直开着，如果功耗太高，手机待机时间会大幅缩短。

我记得有一次，某款手机的唤醒功能被用户吐槽「耗电太快」。后来发现是唤醒模型没有做量化压缩，导致DSP芯片一直处于高负载状态。嗯，这就是后面要讲的模型压缩的重要性。

唤醒词系统的核心指标

评价一个唤醒词系统好不好，主要看三个指标。我习惯把它们叫做「铁三角」：

指标	定义	理想值	我的经验
唤醒率	用户说了唤醒词，系统正确响应的概率	≥95%	实际量产中，90%以上就算不错了
误唤醒率	用户没说唤醒词，系统却误触发的概率	≤1次/24小时	这个指标很难做，我见过最差的方案一天误唤醒几十次
响应延迟	从用户说完唤醒词到系统给出反馈的时间	≤300ms	200ms以内用户几乎无感知

唤醒率

唤醒率怎么测？
我一般会准备1000条唤醒词录音，包含不同口音、不同距离、不同噪声环境。然后看系统正确唤醒了多少次。

举个例子：
如果1000次里唤醒了950次，唤醒率就是95%。
但要注意，这个数字在实验室里测出来，和实际用户场景里测出来，可能差10个百分点以上。为什么？因为实验室的噪声是「干净」的，而真实环境里的噪声是「脏」的——有突发噪声、有混响、有回声。

误唤醒率

误唤醒率是用户最烦的指标。
你想想看，半夜里智能音箱突然「哎」一声，吓不吓人？

误唤醒的常见来源：

• 发音相似的词：比如「小度」和「小肚」、「小杜」
• 环境噪声：电视里的广告词、路边的喇叭声
• 多人说话：别人在聊天，突然有人说了类似唤醒词的音节

我建议的做法是：
在模型训练时，加入大量的负样本——也就是「不是唤醒词但容易混淆的语音」。比如训练「小爱同学」时，把「小艾同学」、「小爱童鞋」都加进去作为负样本。这样模型就能学会区分。

响应延迟

响应延迟包括三部分：

1. 音频采集延迟：麦克风把声音变成数字信号的时间
2. 模型推理延迟：神经网络计算的时间
3. 后处理延迟：判断是否唤醒、触发后续动作的时间

其中模型推理延迟是最大的瓶颈。
我见过一些方案，模型推理占了总延迟的70%以上。所以模型压缩（量化、剪枝、蒸馏）就成了关键——这也是后面章节要重点讲的内容。

小结

这一章我们聊了：

• 语音唤醒是什么——设备从睡到醒的过程
• 三个典型场景——智能音箱、车载、手机，各有各的坑
• 三个核心指标——唤醒率、误唤醒率、响应延迟，互相制约

下一章我会讲唤醒词模型的设计思路，包括怎么选网络结构、怎么设计特征、怎么平衡精度和速度。到时候我会拿一个实际项目里的案例来拆解，应该会挺有意思的。

嗯，今天就先到这里。有什么问题，欢迎在评论区留言。