2、唤醒词数据集构建：数据采集要求与样本比例控制
好，咱们直接进入正题。数据集构建这件事，说白了就是给模型喂饭——你喂什么，它就学什么。我见过太多团队在模型结构上花了大把时间，结果数据集一塌糊涂，最后模型效果惨不忍睹。嗯，今天我就把这块的经验掰开揉碎了讲给你听。
2.1 数据采集的硬性要求：采样率、声道、位深
先说说最基础的三个参数。你想想看，如果连原始数据都不规范，后面再怎么折腾也是白搭。
| 参数 | 要求值 | 为什么是这个值？ |
|---|---|---|
| 采样率 | 16kHz | 人声主要能量集中在4kHz以下，16kHz足够覆盖。我试过8kHz，高频信息丢失严重，唤醒词里的摩擦音（比如“西”、“七”）基本听不清了。 |
| 声道数 | 单声道 | 唤醒词场景通常是单麦克风，双声道反而增加计算量。说白了，没必要。 |
| 位深 | 16bit | 16bit的动态范围约96dB，足够覆盖安静环境到嘈杂街道。8bit的话，底噪会很明显。 |
2.2 正样本与负样本的比例控制
正样本就是你的唤醒词，比如“小爱同学”、“嘿Siri”。负样本就是其他所有声音——人说话、电视声、关门声、甚至咳嗽声。
比例怎么定？我个人习惯是 1:3 到 1:5。为什么？
- 正样本太少：模型学不到唤醒词的稳定特征。比如你只录了100条“你好小智”，模型可能只记住了某个人的口音。
- 负样本太少：模型会变成“惊弓之鸟”，随便一点声音就触发。我见过一个项目，负样本比例只有1:1，结果在办公室环境下误唤醒率高达40%。
- 负样本太多：模型会过于保守，真正喊唤醒词时反而不响应。说白了，就是“装死”。
2.3 数据增强技术：让模型更皮实
数据增强，说白了就是“无中生有”。你只有1000条录音，但通过加噪、变速、调音量，可以变出10000条。我刚开始做的时候也觉得这是“作弊”，后来发现——这是必须的。
2.3.1 加噪
模型在安静环境下表现很好，一到嘈杂环境就拉胯？加噪就是解决这个问题的。
# 一个简单的加噪示例（Python伪代码）
import numpy as np
import soundfile as sf
# 读取干净语音和噪声
speech, sr = sf.read('wake_word.wav')
noise, _ = sf.read('cafe_noise.wav')
# 随机截取一段噪声，长度与语音对齐
noise_cut = noise[:len(speech)]
# 按信噪比混合（SNR=10dB）
snr = 10 # 信噪比，越小噪声越大
speech_power = np.mean(speech**2)
noise_power = np.mean(noise_cut**2)
scale = np.sqrt(speech_power / (noise_power * 10**(snr/10)))
mixed = speech + scale * noise_cut
# 保存
sf.write('mixed_10dB.wav', mixed, sr)
我个人习惯准备5-10种不同类型的噪声：咖啡馆、马路、地铁、风扇、电视、甚至雨声。每种噪声按 SNR 0dB、5dB、10dB、15dB 各混一批。这样模型就能适应各种场景。
2.3.2 变速
不同人说话速度不一样。有人喊“小爱同学”像机关枪，有人像慢动作。变速就是让模型适应这种差异。
- 速度因子 0.8~1.2：这是安全范围。低于0.8声音会变得很奇怪，高于1.2会像快进。
- 注意保持音调：简单的变速会改变音调（像“唐老鸭”效果）。建议用 WSOLA 或 PSOLA 算法，保持音调不变只变速度。
我记得有一次，一个用户说话特别慢，模型死活不识别。后来发现是训练数据里全是正常语速，没有慢速样本。加了0.85倍速的增强后，问题就解决了。
2.3.3 音量调整
这个最简单，但也最容易忽略。你想想看，有人对着麦克风喊，有人离得远轻声说，音量差异可能达到30dB以上。
# 音量调整示例
import random
# 随机调整增益，范围 -6dB 到 +6dB
gain_db = random.uniform(-6, 6)
gain_linear = 10 ** (gain_db / 20)
adjusted = speech * gain_linear
# 注意：不要超过0dBFS，否则会削波
if np.max(np.abs(adjusted)) > 0.99:
adjusted = adjusted / np.max(np.abs(adjusted)) * 0.99
我建议音量调整范围在 -10dB 到 +6dB 之间。太小声模型听不见，太大声会削波失真。嗯，这里要注意：削波后的声音会引入高频谐波，模型可能会学到错误的特征。
2.4 数据增强的组合策略
别一股脑把所有增强都用上。我推荐一个顺序：
- 先变速：改变时间长度
- 再音量调整：改变响度
- 最后加噪：模拟真实环境
为什么这个顺序？因为变速和音量调整会改变噪声的特性。如果先加噪再变速，噪声也会被变速，听起来不自然。我试过反过来，效果差不少。
| 类别 | 比例 | 说明 |
|---|---|---|
| 原始正样本 | 20% | 保持原样，作为基准 |
| 加噪正样本 | 40% | 各种噪声、各种SNR |
| 变速正样本 | 20% | 0.8x~1.2x |
| 音量调整正样本 | 20% | -10dB~+6dB |
| 负样本 | 正样本的3~5倍 | 包含近似词、环境音、其他语音 |
最后说一句：数据增强不是越多越好。我见过有人把一条数据增强100倍，结果模型过拟合到增强模式上去了。适可而止，5-10倍就够用了。
好，这一章就到这里。下一章咱们聊聊标注工具的选择和标注规范——这块也是个大坑，我当年可没少往里跳。