4、唤醒词数据集构建：数据采集规范与增强技巧

做唤醒词定制，第一步就是搞数据集。这事儿我踩过不少坑，今天跟你聊聊数据采集的规范和增强方法。说白了，数据集的质量直接决定了模型能不能用。

4.1 数据采集规范：采样率、位深、通道数

先说说硬件参数。这三个指标，一个都不能错。

采样率：16kHz 是黄金标准

我个人习惯用16kHz。为什么？因为人声的主要能量集中在4kHz以下，16kHz的采样率完全够用。你想想看，电话语音才8kHz，不也能听清吗？

我在项目中遇到过有人用44.1kHz采集唤醒词数据，结果模型大了两倍，效果没提升。白白浪费存储和算力。

位深：16bit 就够了

位深决定了动态范围。16bit能提供96dB的信噪比，对于唤醒词来说绰绰有余。我曾经试过24bit，效果没差别，文件却大了50%。

嗯，这里要注意：如果你的设备麦克风质量很差，背景噪声很大，24bit也救不了你。先解决硬件问题。

通道数：单声道是王道

唤醒词模型通常处理单声道。多声道会增加计算量，而且大部分嵌入式设备只有一个麦克风。

参数	推荐值	不推荐
采样率	16kHz	44.1kHz, 48kHz
位深	16bit	24bit, 32bit
通道数	单声道	立体声

4.2 数据标注格式：时间戳与标签

标注是数据构建中最头疼的环节。我见过太多团队因为标注不规范，导致模型训练失败。

时间戳标注：精确到帧

唤醒词标注需要精确到起始和结束时间。格式一般是：

# 标准格式
[起始时间(秒)] [结束时间(秒)] [标签]

# 示例
0.00 0.85 wake_word
1.20 2.05 wake_word
3.50 3.55 non_wake  # 非唤醒词也要标

我个人习惯用毫秒级精度。为什么？因为唤醒词通常很短，比如"小爱同学"才0.8秒，差100ms就可能把"小"字切掉一半。

标签设计：简单明了

标签不要搞复杂。我建议用两类：

• wake_word：唤醒词本身
• non_wake：非唤醒词（包括静音、其他语音、噪声）

你可能会问：要不要标多个唤醒词？可以，但每个唤醒词至少需要1000条样本。否则模型学不好。

4.3 数据增强方法：加噪、变速、音量扰动

数据不够？增强来凑。但增强不是乱加，要有策略。

加噪：模拟真实场景

我常用的噪声类型：

• 白噪声：模拟电子噪声
• 粉红噪声：模拟环境风声
• 人声噪声：模拟多人说话场景
• 厨房噪声：模拟家电运行

加噪时信噪比（SNR）控制在5-20dB之间。太低了语音被淹没，太高了没效果。

# 加噪示例（Python伪代码）
def add_noise(audio, noise, snr_db=15):
    # 计算语音和噪声的能量
    audio_power = np.mean(audio**2)
    noise_power = np.mean(noise**2)
    
    # 调整噪声能量到目标SNR
    scale = np.sqrt(audio_power / (noise_power * 10**(snr_db/10)))
    noisy_audio = audio + scale * noise
    
    return noisy_audio

变速：让模型学会快慢

变速范围控制在0.8x到1.2x之间。太快了语音失真，太慢了听着别扭。

我记得有一次，用户说"小爱同学"说得特别快，模型死活不响应。后来发现是训练数据里没有快速版本。加了1.1x变速后，问题解决了。

音量扰动：应对不同距离

音量扰动范围：-6dB到+6dB。模拟用户在不同距离说话的情况。

• -6dB：模拟远场（3米外）
• 0dB：正常距离（1米）
• +6dB：模拟近场（10厘米）

你想想看，用户可能贴着麦克风喊，也可能在房间另一头说。模型都得能识别。

4.4 数据增强的组合策略

增强不是单独用的，要组合。我常用的组合方式：

场景	增强组合	样本比例
安静环境	音量扰动 + 轻微变速	30%
噪声环境	加噪 + 音量扰动	40%
远场环境	加噪 + 变速 + 音量降低	30%

好了，数据采集和增强就聊到这儿。下一章我们聊聊模型训练的具体技巧。记住：数据质量决定模型上限，增强只是锦上添花。