3、核心概念：Always-On监听的定义、唤醒词检测（Wake Word Detection）与语音活动检测（VAD）的区别与联系
在智能音箱的功耗优化体系中，Always-On监听是整套低功耗唤醒机制的基石。它决定了设备在“看似关机”的状态下，如何以极低的功耗持续感知环境声音，并在合适的时机被“激活”。要理解这一过程，必须厘清两个经常被混淆的关键技术：唤醒词检测（Wake Word Detection, WWD）和语音活动检测（Voice Activity Detection, VAD）。二者虽然都涉及音频信号处理，但在系统层级、功耗预算、算法复杂度以及触发逻辑上有着本质区别，同时又紧密协作，共同构成从“待机”到“交互”的完整链路。
上图展示了Always-On监听域内WWD与VAD的典型协作架构。从MEMS麦克风拾取声音，经模拟前端和ADC采样后，数字音频流同时送入WWD和VAD两条处理路径。VAD作为轻量级前端，负责判断当前音频帧是否存在语音活动；WWD则运行更复杂的神经网络模型，专门识别特定的唤醒词。VAD的输出可以作为门控信号，帮助WWD过滤掉大量非语音帧，从而降低整体功耗。
3.1 核心原理：Always-On监听的技术本质
Always-On监听（常称AON，Always-On Listening）是指智能音箱在待机状态下，保持音频采集链路和部分信号处理单元持续工作，但将系统其余部分（如应用处理器、Wi-Fi/蓝牙模块、显示单元）置于深度睡眠或断电状态。其核心设计理念是：“用最小的硬件代价，换取最快速的响应体验”。用户无需触碰任何按键，只需说出唤醒词，设备便能在几百毫秒内从待机状态切换至全功能运行状态。
从硬件架构看，Always-On监听通常由以下单元构成：
- 音频采集链路：1-2颗低功耗MEMS麦克风，持续将声波转换为电信号。麦克风的偏置电压和放大电路必须保持供电。
- 模拟前端与ADC：对麦克风信号进行放大、滤波和模数转换。采样率通常为16kHz，位深16bit，以满足语音识别的基本需求。
- 低功耗处理器：一颗DSP（数字信号处理器）或Cortex-M系列MCU，运行VAD和WWD算法。该处理器不运行操作系统，仅执行裸机或RTOS上的轻量级任务。
- 电源管理单元（PMU）：为上述模块提供稳定的低噪声电源轨，并管理主控芯片的电源域切换。
在功耗预算上，Always-On监听链路的整体功耗通常被严格限制在5mW以内。其中，麦克风及模拟前端约占0.5-1mW，ADC约0.5mW，DSP运行VAD算法约0.5-1mW，运行WWD算法约2-3mW。如果WWD模型过于复杂，导致DSP负载过高，则可能需要引入专用的低功耗NPU（神经网络处理单元），但这会显著增加成本与功耗，因此工程上需要在识别率和功耗之间做精细权衡。
关键设计原则：Always-On监听不是简单的“不关机”，而是将系统划分为多个电源域。音频前端和低功耗处理器所在的电源域始终保持上电，而主控SoC、DDR内存、Wi-Fi射频等大功耗器件则完全断电。这种分区供电策略是降低待机功耗的根本手段。
3.2 唤醒词检测（WWD）与语音活动检测（VAD）的深度对比
虽然WWD和VAD都工作在音频信号上，但它们的任务目标、算法复杂度、功耗开销和系统角色截然不同。下表从多个维度进行了系统对比：
| 对比维度 | 唤醒词检测（WWD） | 语音活动检测（VAD） |
|---|---|---|
| 核心任务 | 识别特定的词或短语（如“小爱同学”、“Hey Siri”） | 判断当前音频帧是否存在人声（语音/非语音二分类） |
| 输出结果 | 唤醒词置信度分数 + 触发/未触发标志 | 语音存在概率（0~1）或布尔标志 |
| 算法复杂度 | 高：需运行DNN/CNN模型，参数量通常在100K~1M级别 | 低：基于能量、过零率、频谱平坦度等简单特征 |
| 计算开销 | 约 5-20 MIPS（百万指令/秒），需DSP或NPU加速 | 约 0.5-2 MIPS，普通MCU即可轻松处理 |
| 功耗占比 | 占Always-On链路总功耗的 50%-70% | 占Always-On链路总功耗的 10%-20% |
| 误触发率 | 要求极低（每24小时误触发 < 1次） | 允许一定误报，但需保证召回率 |
| 系统角色 | 最终唤醒决策者，直接触发主控启动 | 前端预过滤器，为WWD提供门控信号 |
| 运行频率 | 可被VAD门控，仅在语音帧上运行 | 每帧（通常10-20ms）持续运行 |
从表中可以看出，WWD是“精挑细选”的识别过程，而VAD是“粗筛”过程。VAD不关心你说的是什么，只关心你有没有在说话；WWD则必须在连续的语音流中精准定位出特定的唤醒词。这种“先粗筛、后精判”的级联架构，是降低系统平均功耗的关键。
3.3 判断方法与操作流程：如何在实际系统中协同WWD与VAD
在工程实践中，WWD与VAD的协同策略直接影响唤醒成功率和功耗表现。以下是推荐的判断与操作流程：
- 确定VAD门限：首先根据环境噪声水平设置VAD的能量门限和过零率门限。门限过低会导致大量非语音帧进入WWD，增加功耗；门限过高则可能漏掉轻声唤醒，导致唤醒失败。建议在典型家居噪声（40-50dB）下，通过录制实际音频数据来标定门限。
- 配置VAD输出模式：VAD可以输出硬判决（0/1）或软判决（概率值）。在低功耗场景下，推荐使用硬判决作为WWD的使能信号。当VAD判定当前帧为语音时，才将音频帧送入WWD模型；否则直接丢弃。
- 设计WWD的触发策略：WWD模型通常以滑动窗口方式处理音频流，每帧输出一个置信度分数。需要设置一个触发阈值（如0.7），并配合“连续N帧超过阈值”的确认机制，防止单帧误判。
- 动态调整VAD与WWD的耦合：在安静环境下，VAD门限可以适当降低，以提高唤醒灵敏度；在嘈杂环境下，VAD门限应提高，同时WWD的触发阈值也应相应上调，以减少误唤醒。
- 功耗监控与调优：通过电流探头或功耗分析仪，测量Always-On链路的实际电流。如果发现WWD运行时间占比过高，说明VAD门限设置不合理，需要进一步优化。
经验提示：在多数量产方案中，VAD每10ms运行一次，而WWD每20ms运行一次。VAD先判断，若为语音帧，则缓存该帧并触发WWD处理。这种“VAD常开、WWD按需运行”的模式，可以将WWD的平均功耗降低50%以上。
3.4 案例拆解：某智能音箱的VAD/WWD协同调优实战
某款智能音箱在开发阶段遇到了待机功耗超标的问题。设计目标为待机功耗≤5mW，但实测达到了7.2mW。通过功耗分析仪拆解发现，WWD模块的功耗占比异常偏高，达到了4.5mW，远超预期的2.5mW。
初始现象与关键数据：
- 待机总电流：1.2mA @ 6V（即7.2mW）
- WWD DSP运行时间占比：85%（预期≤50%）
- VAD输出语音帧占比：60%（预期≤30%）
- 环境噪声：约45dB（安静办公室）
分析判断过程：VAD输出的语音帧占比高达60%，说明VAD门限设置过低，将大量环境噪声（如空调声、键盘声）误判为语音。这些非语音帧被送入WWD后，导致DSP持续高负载运行。进一步检查VAD算法参数，发现其能量门限设置为-35dBFS，而实际环境噪声能量约为-40dBFS，门限与噪声基底过于接近。
实际操作步骤：
- 将VAD能量门限从-35dBFS上调至-28dBFS，并增加过零率约束（要求过零率在10-30之间）。
- 在VAD判决中引入“连续3帧语音”的确认机制，避免单帧噪声尖峰触发。
- 将WWD的触发阈值从0.65提升至0.75，并增加“连续2帧超过阈值”的确认逻辑。
- 重新录制办公室、客厅、厨房三种场景各10分钟的音频，验证调整后的VAD/WWD表现。
结果对比：
| 指标 | 调整前 | 调整后 | 改善幅度 |
|---|---|---|---|
| VAD语音帧占比 | 60% | 22% | ↓ 63% |
| WWD运行时间占比 | 85% | 38% | ↓ 55% |
| 待机总功耗 | 7.2mW | 4.3mW | ↓ 40% |
| 唤醒成功率（3米距离） | 98% | 96% | 基本持平 |
| 误唤醒次数（24小时） | 3次 | 0次 | 显著改善 |
风险与代价：VAD门限上调后，在极安静环境下（如深夜卧室），轻声唤醒的灵敏度有所下降，唤醒距离从5米缩短至4米左右。为弥补这一损失，团队在VAD中增加了“低噪声自适应模式”——当检测到环境噪声低于30dB时，自动降低门限。
复盘经验：VAD与WWD的协同调优不能孤立进行。VAD门限的调整会直接影响WWD的负载和唤醒体验。建议在开发初期就建立“功耗-唤醒率-误唤醒率”的三维评估体系，每次调整都同时观察三个指标的变化，避免顾此失彼。
3.5 常见误区与总结复盘
在理解Always-On监听、WWD和VAD时，工程师和产品经理常陷入以下误区：
误区一：将VAD当作WWD的替代品。有些团队为了简化设计，试图仅用VAD检测到语音就唤醒设备。这会导致设备对任何说话声都产生响应，误唤醒率极高，用户体验灾难性。VAD只能判断“有没有人说话”，无法判断“说的是不是唤醒词”。
误区二：忽视VAD的功耗开销。虽然VAD算法简单，但如果每帧都进行复杂的频谱分析，其功耗也可能超过1mW。在低功耗设计中，应优先选择基于时域特征（能量、过零率）的轻量级VAD，将频谱分析留给WWD。
误区三：WWD模型越大越好。更大的模型确实能提升识别率，但也会增加DSP负载和功耗。在Always-On场景下，模型大小受限于功耗预算。一个参数量500K的DNN模型在Cortex-M4上运行，功耗可能达到5mW以上，这已经超出了多数产品的预算。
误区四：忽略“音频通路”的功耗。部分设计只关注DSP的功耗，却忽略了麦克风偏置电路、ADC参考电压、音频编解码器的功耗。实际上，这些模拟器件的功耗往往占Always-On链路总功耗的30%以上。
总结复盘：Always-On监听是一个系统工程，WWD与VAD是其中两个核心但角色不同的模块。VAD负责“听没听到”，WWD负责“是不是叫我”。正确的设计思路是：以VAD作为低功耗前端门控，过滤掉大部分非语音帧；以WWD作为精准识别后端，仅在语音帧上运行深度模型。通过合理的门限设置、级联策略和功耗监控，可以在唤醒率、误唤醒率和待机功耗三者之间取得最优平衡。在实际产品开发中，务必使用真实场景音频数据进行反复验证，因为实验室环境与用户家庭环境在噪声分布、混响特性上存在显著差异。