1、唤醒词技术概述：什么是语音唤醒、唤醒词的应用场景、主流唤醒方案对比

各位同学，咱们今天聊聊语音唤醒。说白了，就是让设备能「听见」你叫它。

你对着智能音箱喊一声「小爱同学」，它亮了。你对着手机说「Hey Siri」，它应了。这就是语音唤醒——一个始终在后台运行的轻量级语音识别系统。它不干别的，就等那个特定的词出现。

我刚开始做唤醒词项目时，有个误区：觉得这不就是个关键词检测吗？后来踩了坑才明白，唤醒词和普通语音识别完全是两码事。普通ASR要识别整句话，唤醒词只认那几个音节。但难点在于——它得一直开着，还不能太耗电。

唤醒词的应用场景

你想想看，现在哪些设备在用唤醒词？我随便列几个：

• 智能音箱：这是最典型的场景。天猫精灵、小度、小爱，每家都有自己的唤醒词。我做过一个音箱项目，客户要求唤醒率98%以上，误唤醒率每天不超过1次。说实话，这个指标挺苛刻的。
• 手机：iPhone的「Hey Siri」、华为的「小艺小艺」。手机场景有个特点——麦克风离人近，但环境噪声复杂。我在咖啡厅测试过，背景音乐、杯子碰撞声，都容易触发误唤醒。
• 车载：开车时用手操作屏幕很危险，语音唤醒就成了刚需。车载场景的难点在于风噪、胎噪、发动机声。我记得有一次测试，车窗开了一条缝，唤醒率直接掉了15%。
• 智能家居：智能灯、智能窗帘、智能门锁。这些设备往往算力有限，跑不了大模型。
• 可穿戴设备：耳机、手表。功耗是命门，电池就那么点。

主流唤醒方案对比

说到技术方案，我经历过两个时代。早期大家都用传统方法，现在基本都转向深度学习。咱们来对比一下。

传统方案：GMM-HMM

GMM-HMM，说白了就是高斯混合模型加隐马尔可夫模型。它把语音信号拆成帧，每帧提取MFCC特征，然后用GMM建模每个音素的声学特征，HMM建模音素之间的时序关系。

我2016年做过一个项目，用的就是GMM-HMM。当时觉得挺先进的，现在回头看，问题不少：

• 特征表达能力弱：MFCC特征对噪声敏感，换个环境就得重新训练
• 模型容量有限：GMM本质上是个浅层模型，拟合不了复杂的声学模式
• 泛化能力差：换个人说话，唤醒率可能从95%掉到70%

嗯，这里要注意。GMM-HMM有个优点——计算量小。在树莓派这种低算力设备上，它还能跑得动。但效果嘛，只能说勉强能用。

深度学习方案：DNN/CNN/RNN

大概2017年左右，业界开始全面转向深度学习。我印象很深，当时Google发表了一篇论文，用DNN做唤醒词检测，效果直接碾压传统方案。

常见的深度学习架构有三种：

架构	核心思想	优点	缺点
DNN	全连接网络，输入帧级特征，输出唤醒词概率	实现简单，训练快	无法建模时序信息，容易误唤醒
CNN	用卷积核提取局部声学模式，类似图像识别	对噪声鲁棒性好，参数少	时序建模能力有限
RNN/LSTM	循环结构，天然适合时序数据	能捕捉长时依赖，唤醒率高	计算量大，部署困难

我个人习惯用CNN+LSTM的组合。CNN负责提取声学特征，LSTM负责建模时序关系。我在一个智能音箱项目里试过，纯CNN的误唤醒率是每天2.3次，加上LSTM后降到了0.8次。

端到端方案：TC-ResNet、MoblieNet

最近两年，轻量级网络开始流行。TC-ResNet、MoblieNet这些模型，专门为移动端和嵌入式设备设计。它们的特点是：

• 参数少：几万到几十万个参数，GMM-HMM动辄上百万
• 计算快：一次推理只要几毫秒
• 效果好：在公开数据集上，唤醒率能到97%以上

我去年做了一个项目，用TC-ResNet替换了原来的DNN模型。模型大小从5MB降到了200KB，唤醒率反而提升了2%。你想想看，这差距有多大。

方案选型建议

说了这么多，到底该选哪个方案？我个人的经验是：

1. 算力受限（比如MCU、DSP）：用GMM-HMM或者极轻量级的DNN
2. 算力中等（比如手机、智能音箱）：用CNN+LSTM，或者TC-ResNet
3. 算力充足（比如云端、服务器）：用Transformer或者端到端模型

但说实话，现在大部分场景都推荐用深度学习方案。GMM-HMM已经快被淘汰了，除非你做的产品对成本极度敏感。

好了，这一章就讲到这里。下一章咱们聊聊唤醒词的数据准备——说白了，就是怎么收集和标注那些「小爱同学」和「Hey Siri」的语音数据。这步做不好，后面模型训练全是白搭。