3、关键词模型概述：什么是关键词识别（KWS）、与连续语音识别的区别、常见应用（唤醒词、命令词）

在机器人交互场景中，语音命令识别并非总是需要理解完整的自然语言。大多数情况下，机器人只需要在嘈杂的声学环境中“听”到特定的唤醒词（如“小智小智”）或有限的命令词（如“前进”“停止”“抓取”），即可触发后续动作。这种轻量级、低延迟、可本地部署的语音处理技术，被称为关键词识别（Keyword Spotting，KWS）。本章将系统阐述KWS的核心原理、与连续语音识别（ASR）的本质区别，以及其在机器人领域的典型应用形态，为后续章节中模型训练、本地推理和动作映射打下理论基础。

3.1 什么是关键词识别（KWS）

关键词识别（Keyword Spotting，KWS）是一种从连续音频流中检测特定预定义词汇或短语的技术。其核心目标并非理解全部语音内容，而是判断“是否出现了目标词”以及“目标词出现在什么位置”。在机器人场景中，KWS通常作为语音交互的“第一道闸门”，负责在低功耗、低算力条件下持续监听环境声音，一旦命中唤醒词或命令词，便立即触发后续处理流程。

从信号处理角度看，KWS系统通常包含以下几个核心模块：

• 前端信号处理：包括麦克风阵列波束成形、回声消除、噪声抑制、自动增益控制（AGC）等，目的是在嘈杂环境中提取干净的语音信号。
• 特征提取：将原始音频帧（通常为20-30ms）转换为声学特征，常用的是梅尔频率倒谱系数（MFCC）或滤波器组（Filter Bank）特征，以及近年来流行的预训练特征（如wav2vec 2.0的隐层表示）。
• 声学模型：用于计算每一帧特征属于某个音素或子词单元的概率。传统方法使用高斯混合模型-隐马尔可夫模型（GMM-HMM），现代方法则广泛采用深度神经网络（DNN/CNN/Transformer）。
• 关键词解码器：在声学模型输出的概率序列上，搜索是否存在与目标关键词匹配的路径。常见方法包括基于有限状态转换器（FST）的搜索、基于CTC/Attention的端到端解码，以及基于自定义唤醒词检测器的后验概率阈值判断。

KWS的设计哲学是“以最小的计算代价实现可靠的触发”。因此，它通常采用轻量级模型（如MobileNet、TC-ResNet、BC-ResNet等），参数量从几十万到几百万不等，远小于通用ASR模型的数亿参数。这使得KWS可以在机器人主控芯片（如树莓派、Jetson Nano、ESP32等）上实时运行，无需依赖云端。

3.2 KWS 与连续语音识别（ASR）的核心区别

连续语音识别（Automatic Speech Recognition，ASR）的目标是将任意语音信号转换为对应的文本序列，其词表通常覆盖数万到数十万个词汇，并依赖大规模语言模型进行解码搜索。KWS与ASR在多个维度上存在本质差异，理解这些差异有助于在机器人项目中做出正确的技术选型。

从工程实践角度，KWS与ASR最关键的差异在于“决策边界”。KWS只需要在“目标词出现”和“目标词未出现”之间画一条决策边界，而ASR需要在所有可能的词序列组合中寻找最优路径。因此，KWS可以使用更简单的模型结构和更小的参数量，同时获得更快的推理速度。

然而，KWS也面临ASR所没有的挑战：误唤醒（False Acceptance）和漏唤醒（False Rejection）之间的平衡。误唤醒指没有说关键词却触发了系统，漏唤醒指说了关键词却没有触发。在机器人应用中，误唤醒会导致机器人“神经质”地乱动，漏唤醒则会让用户觉得“机器人聋了”。因此，KWS模型训练时需要精心设计正负样本比例，并设置合理的置信度阈值。

3.3 常见应用：唤醒词与命令词

在机器人领域，KWS的应用主要分为两大类：唤醒词（Wake Word）和命令词（Command Word）。两者在功能定位、模型设计和使用方式上有所不同。

3.3.1 唤醒词：交互的“开关”

唤醒词是机器人进入交互状态的触发信号，通常是一个简短、易发音、有辨识度的短语，如“小度小度”“天猫精灵”“Hey Siri”。在机器人场景中，唤醒词的作用是：

• 降低功耗：机器人平时处于待机状态，仅运行KWS模型持续监听，功耗可控制在毫瓦级；一旦唤醒，才启动完整的感知和决策系统。
• 保护隐私：只有用户明确说出唤醒词后，机器人才开始录制和处理语音，避免持续录音带来的隐私风险。
• 减少误操作：在家庭或办公环境中，背景噪声、电视声音、他人对话都可能包含类似命令的词汇，唤醒词作为“门禁”可以过滤掉大部分无效输入。

唤醒词的设计需要特别注意“易唤醒性”和“抗混淆性”的平衡。例如，“小智小智”中的“智”字发音清晰、频谱特征明显，容易与普通语音区分；而“那个那个”则过于常见，容易造成误唤醒。此外，唤醒词的长度通常控制在2~4个音节，过短容易误触发，过长则影响用户体验。

3.3.2 命令词：动作的“指令”

命令词是唤醒后用户发出的具体操作指令，如“前进”“后退”“左转”“停止”“抓取”“放下”等。命令词识别通常紧跟在唤醒词之后，构成“唤醒+命令”的两级交互流程。命令词识别的特点是：

• 词表固定：命令词集合在系统设计时确定，通常为10~50个，覆盖机器人的所有基本操作。
• 实时性要求高：用户说出命令词后，机器人需要在100~200ms内完成识别并执行动作，否则会感觉“卡顿”。
• 支持连续识别：在机器人执行任务过程中，用户可能连续发出多个命令（如“前进”“停止”“左转”），KWS需要持续监听并快速切换。

在实际系统中，唤醒词和命令词可以共用同一个KWS模型，也可以分别训练。共用模型时，将所有目标词（唤醒词+命令词）放入同一个词表，模型输出每个词的置信度；分别训练时，唤醒词模型更注重“低误报”，命令词模型更注重“低漏报”。

3.4 案例拆解：家庭服务机器人的两级KWS系统

为了更好地理解KWS在机器人中的实际应用，我们以一个家庭服务机器人项目为例，拆解其KWS系统的设计与调优过程。

项目背景与约束：该机器人搭载在树莓派4B（4GB RAM）上，使用USB双麦克风阵列，需要在客厅、厨房等家庭环境中工作。环境噪声包括电视声、空调声、厨房抽油烟机声等，平均信噪比（SNR）约为10dB。机器人需要实现“小智小智”唤醒，以及“过来”“回去”“停”“走”“左转”“右转”六个命令词的控制。

初始现象与目标：第一版系统直接使用开源的KWS模型（基于TC-ResNet8，参数量约300K），在安静环境下唤醒率可达95%，但在电视播放时误唤醒率高达每小时8次，且命令词“走”和“左转”经常混淆（因为两者都包含“z”音）。项目目标是将误唤醒率降至每小时≤1次，命令词准确率提升至≥90%。

关键输入数据与参数：

• 训练数据：500小时中文语音，其中正样本（包含唤醒词/命令词）100小时，负样本（其他语音、噪声、音乐）400小时。
• 特征：40维Filter Bank，帧长25ms，帧移10ms。
• 模型：TC-ResNet8，输出层为7个节点（1个唤醒词+6个命令词+1个静音/其他）。
• 置信度阈值：初始设置为0.7（用于唤醒），0.5（用于命令词）。

分析判断过程：

1. 误唤醒分析：通过日志回放发现，误唤醒主要发生在电视广告中的人声片段，尤其是包含“小”和“智”音素的词语（如“小智”是某品牌名）。这说明模型对音素组合的区分度不够。
2. 命令词混淆分析：“走”和“左转”的声学特征在开头部分高度相似（都包含“z”声母），模型在短时决策时难以区分。

实际操作步骤：

1. 数据增强：在训练集中加入更多电视广告、音乐、多人对话等负样本，并将负样本比例提升至70%。
2. 阈值调整：将唤醒词阈值从0.7提升至0.85，命令词阈值从0.5提升至0.6，以降低误报。
3. 模型结构微调：在TC-ResNet8的最后一层之前增加一个注意力机制（SE模块），增强对关键词中关键音素的关注。
4. 命令词后处理：对于“走”和“左转”，增加一个“持续时间”约束——如果“z”音持续超过150ms，则判定为“左转”，否则为“走”。

结果对比：

风险与代价：阈值提升导致唤醒率略有下降（95%→93%），意味着用户偶尔需要重复说一遍唤醒词。此外，注意力机制的引入使模型参数量从300K增加到350K，推理时间增加了约10ms，但在树莓派上仍可接受。

复盘经验：KWS系统的调优本质上是“误报”与“漏报”的权衡。在机器人场景中，误唤醒的代价（机器人乱动）通常高于漏唤醒的代价（用户重复一遍），因此阈值应偏向保守。同时，命令词混淆问题不能仅靠模型解决，结合简单的时序后处理（如音素持续时间）往往能取得显著效果。

3.5 常见误区与总结复盘

在KWS的工程实践中，开发者常陷入以下误区：

总结复盘：关键词识别是机器人语音交互的基石。它通过固定词表、轻量模型和本地推理，实现了低延迟、低功耗、高可靠的语音触发。与连续语音识别相比，KWS牺牲了词表覆盖度，换取了极致的响应速度和部署灵活性。在机器人应用中，KWS通常以“唤醒词+命令词”的两级形式出现，前者负责“开门”，后者负责“指路”。设计KWS系统时，应重点关注误唤醒与漏唤醒的平衡、负样本的充分性、以及命令词之间的声学区分度。掌握KWS的核心原理和调优方法，是构建后续“本地推理”和“动作映射”环节的前提。