4、数据采集准备：确定唤醒词（如“小智”）、采集设备选择（麦克风阵列、单麦）、采样率与位深设置

在TinyML中文唤醒词识别项目中，数据采集是整个pipeline的起点，也是决定模型性能上限的关键环节。很多初学者在完成模型训练后，发现实际设备上的唤醒率远低于实验环境，其根源往往不在模型结构，而在于采集阶段埋下的隐患——唤醒词选择不当、麦克风类型与场景不匹配、采样参数设置错误。本章将系统讲解数据采集的三个核心决策点：唤醒词的确定原则、采集设备（麦克风阵列与单麦）的选型逻辑、采样率与位深的工程设置，并给出可落地的操作流程与案例复盘。

4.1 唤醒词确定：从语言学与工程双视角筛选

核心原理：唤醒词（Wake Word）是设备从休眠状态被激活的特定短语。在TinyML场景下，唤醒词的选择直接影响模型参数量、计算量以及识别鲁棒性。从声学角度看，中文普通话的音节结构（声母+韵母+声调）决定了唤醒词的频谱特征；从工程角度看，唤醒词越长，模型需要学习的时序模式越复杂，但误唤醒率通常越低。理想唤醒词应满足：音节数适中（2~4个）、发音清晰、与常见环境噪声频谱重叠度低、包含至少一个高能量元音（如/a/、/i/）。

判断方法与操作流程：确定唤醒词不能仅凭直觉，建议按以下步骤筛选：

1. 候选词生成：列出品牌名、产品名或功能词，如“小智”“小度”“你好小智”“智小”等。
2. 音节与声调分析：使用拼音标注工具（如pypinyin）分析每个候选词的声母、韵母、声调组合。优先选择去声（四声）+阴平（一声）的组合，如“小智”（xiǎo zhì），因为去声的降调特征在噪声中更易被检测。
3. 近音词排查：在普通话词典中检索候选词的近音词，避免“小智”与“小纸”“小志”等混淆。若产品面向方言区，还需考虑当地方言发音差异。
4. 模拟噪声测试：在安静环境、空调噪声、电视背景音下分别录制候选词，用Audacity查看频谱图，确认唤醒词的主要能量集中在300Hz~3kHz（语音主频带），且与噪声频段重叠度低。
5. 口误率评估：邀请5~10人快速连续说10遍候选词，统计说错或卡壳的比例。口误率超过20%的词应淘汰。

4.2 采集设备选择：单麦与麦克风阵列的工程权衡

核心原理：麦克风是声学信号到电信号的换能器。单麦（Single Microphone）方案结构简单、成本低、功耗小，适合近场（10~50cm）唤醒场景；麦克风阵列（Microphone Array）通过多通道采集和波束成形（Beamforming）算法，可实现远场（1~3m）拾音和噪声抑制，但需要额外的信号处理算力和内存。在TinyML设备上，算力通常受限（MCU主频几十~几百MHz，RAM几十~几百KB），因此选择设备时必须评估板载DSP能力。

判断方法与操作流程：

• 场景距离：若设备放在桌面、床头柜（距离人0.3~1m），单麦+简单的端点检测即可；若设备是智能音箱、电视远场交互（距离1~3m），必须使用阵列。
• 麦克风类型：MEMS麦克风（如Knowles SPH0645）体积小、一致性好，适合阵列；驻极体麦克风（ECM）成本低但相位一致性差，不适合阵列波束成形。
• 接口与编码：数字PDM接口（如MP34DT05）直接输出脉冲密度调制信号，需MCU内置PDM解调器；I2S接口（如INMP441）输出标准PCM数据，更易处理。模拟接口（如MAX9814）需外置ADC，占用MCU的ADC通道。
• 阵列拓扑：2麦线性阵列只能做左右区分；4麦环形阵列可做360°定位；6麦环形阵列（如ReSpeaker 6-Mic）效果最佳，但功耗和成本显著增加。

4.3 采样率与位深设置：TinyML的黄金参数

核心原理：采样率决定频率分辨率，位深决定动态范围。根据奈奎斯特定理，采样率必须大于信号最高频率的2倍。人语音主要能量集中在300Hz~3.4kHz，因此8kHz采样率理论上足够，但实际中为了保留辅音（如/s/、/sh/）的高频摩擦噪声（可达8kHz），TinyML领域普遍采用16kHz采样率。位深方面，16bit提供96dB动态范围，足以覆盖从耳语（30dB）到喊叫（90dB）的语音范围；24bit或32bit在TinyML中无必要，反而增加存储和计算负担。

操作流程与参数设置：

1. 采样率设置：在代码中配置音频外设，例如使用ESP32的I2S接口时：

   i2s_config_t i2s_config = {
       .sample_rate = 16000,        // 16kHz
       .bits_per_sample = I2S_BITS_PER_SAMPLE_16BIT,
       .channel_format = I2S_CHANNEL_FMT_ONLY_LEFT,
       .communication_format = I2S_COMM_FORMAT_STAND_I2S,
       .intr_alloc_flags = ESP_INTR_FLAG_LEVEL1,
       .dma_buf_count = 8,
       .dma_buf_len = 64
   };

2. 位深选择：16bit是TinyML的默认选择。若MCU支持24bit（如部分STM32系列），可采集24bit后右移8位转为16bit，以保留更多细节，但需注意DMA缓冲区大小需相应调整。
3. 帧长与帧移：唤醒词识别通常使用20~30ms帧长、10ms帧移。16kHz采样率下，30ms帧对应480个采样点，10ms帧移对应160个采样点。在MFCC特征提取时，FFT点数设为512（覆盖32ms），可兼顾频率分辨率和计算效率。
4. 抗混叠滤波：确保音频编解码芯片或MCU内部ADC启用了抗混叠滤波器（通常为硬件自动启用）。若使用模拟麦克风+外部ADC，需在ADC前端加RC低通滤波器（截止频率约7kHz）。

4.4 常见误区与总结复盘

常见误区一：采样率越高越好。部分开发者误以为48kHz采样率能提升唤醒率。实际上，TinyML模型输入特征（如MFCC）通常只保留0~8kHz频段，48kHz采样只会增加计算量和内存占用，且高频噪声反而干扰模型。16kHz是语音识别领域的工业标准，也是大多数预训练模型（如Google Speech Commands）的输入格式。

常见误区二：忽略说话人差异。中文普通话存在明显的个体差异（方言口音、语速、音调）。若采集数据仅来自开发团队3~5人，模型在真实用户上会严重退化。建议采集时覆盖：儿童/成人/老人、男/女、不同方言区（至少覆盖北方官话、吴语、粤语区），每类至少10人。

常见误区三：位深选择不当。使用8bit位深采集会丢失微弱语音的细节，导致安静环境下唤醒率下降；使用32bit位深则浪费存储和DMA带宽。16bit是性价比最优解。

常见误区四：忽视时钟同步。在麦克风阵列中，若各麦克风的采样时钟不同步（如使用独立晶振），会导致通道间相位误差，破坏波束成形效果。务必使用同一时钟源（如MCU的MCLK输出）驱动所有麦克风。