3、唤醒词检测原理：语音唤醒流程与典型模型架构

在Edge AI的低功耗唤醒词检测场景中，系统并非始终运行完整的语音识别引擎，而是通过一条精心设计的“感知-决策”流水线，在极低的平均功耗下持续监听环境声音。理解这条流水线的每一级职责、计算代价与触发条件，是进行mA级预算分配的前提。本章将拆解语音唤醒的标准流程（VAD、特征提取、模型推理、后处理），并剖析“Hey Siri”与“OK Google”两类典型模型的架构差异，帮助你在硬件资源与算法效果之间找到工程平衡点。

上图展示了唤醒词检测的完整数据流与典型功耗分布。值得注意的是，VAD阶段虽然单次功耗极低，但它是唯一始终运行的模块，其占空比接近100%；而模型推理虽然单次功耗高，但仅在VAD判定为“可能含语音”时才被激活，占空比通常低于10%。这种“分级唤醒”策略是mA级预算分配的核心思想。

3.1 语音唤醒流程的四个核心阶段

完整的语音唤醒流程可拆解为四个串行阶段，每一级都有明确的输入输出、计算复杂度与功耗特征。理解各阶段的触发条件与数据降维逻辑，是优化系统功耗的第一步。

3.1.1 VAD（语音活动检测）—— 系统的“哨兵”

核心原理：VAD的任务是区分“环境噪声/静音”与“可能包含语音的音频段”。它不关心内容，只关心能量与频谱特征的变化。最基础的VAD基于短时能量与过零率（ZCR），更先进的则使用高斯混合模型（GMM）或轻量级神经网络。

工程实现要点：

• 帧长与帧移：典型配置为帧长20-30ms，帧移10ms。帧移决定了VAD的响应延迟，10ms的帧移意味着系统每10ms输出一次判定结果。
• 阈值自适应：固定阈值在嘈杂环境中极易误触发。工程上常采用“噪声底估计”方法，动态调整阈值，例如取最近1秒能量最小值的1.5倍作为判定门限。
• 功耗优化：VAD模块应尽量在MCU的Always-On域中运行，仅使用Cortex-M0+级别的核心，时钟频率控制在1-4MHz，电流消耗可低至50µA以下。

3.1.2 特征提取 —— 从波形到“声纹指纹”

核心原理：特征提取将原始PCM波形（通常为16kHz/16bit）转换为更适合神经网络处理的二维特征图。最常用的两种特征为：

• MFCC（梅尔频率倒谱系数）：提取40维系数，包含静态系数、一阶差分与二阶差分，共120维。MFCC对噪声鲁棒性好，但计算量稍大。
• FBank（滤波器组能量）：仅提取40-80维滤波器组能量，不进行DCT变换。FBank保留了更多原始信息，在深度学习中表现更优，且计算量比MFCC低约30%。

计算流程：预加重 → 分帧加窗（汉明窗） → FFT（256点或512点） → Mel滤波器组 → 对数压缩 → （可选）DCT → 归一化。

功耗优化策略：

1. 使用硬件FFT加速器（如Cortex-M7的CMSIS-DSP库），将FFT计算时间从软件实现的2ms缩短至0.3ms。
2. 特征提取仅在VAD判定为“语音段”后执行，且每次提取覆盖约1秒的滑动窗口（100帧），供后续模型推理使用。
3. 对于低功耗场景，可考虑使用1-bit量化特征或对数能量特征，将计算量降低一个数量级。

3.1.3 模型推理 —— 唤醒词判定的“大脑”

核心原理：模型推理是唤醒词检测的核心计算单元。它接收特征提取器输出的二维特征图（时间帧×特征维度），输出一个概率分数，表示当前音频段包含目标唤醒词的可能性。

典型模型架构对比：

推理功耗计算示例：假设使用DS-CNN模型，每帧推理需要10M MACs。在Cortex-M4F（80MHz）上，利用CMSIS-NN库可实现约2 MACs/cycle的效率，则每帧推理耗时约5ms，电流消耗约3mA。若VAD每小时触发10次，每次推理10帧，则推理模块的平均功耗仅为：

平均功耗 = (10次/小时 × 10帧 × 5ms × 3mA) / 3600秒 ≈ 0.42µA

这一计算揭示了关键结论：推理模块的占空比极低，其平均功耗往往不是系统瓶颈，VAD的常开功耗才是。

3.1.4 后处理 —— 决策与防误触

核心原理：后处理模块对模型输出的原始概率分数进行时间平滑、阈值判定与触发逻辑控制。它决定了系统何时真正“唤醒”主控芯片。

标准后处理流程：

1. 滑动窗口平均：对最近5-10帧的模型输出取平均，抑制单帧异常波动。
2. 双阈值判定：设置高阈值（如0.8）与低阈值（如0.3）。当分数超过高阈值时立即触发；当分数超过低阈值但未达高阈值时，进入“预备触发”状态，等待后续帧确认。
3. 触发锁定：一旦触发，系统进入“唤醒确认”状态，在200ms内若再次检测到高分帧，则正式唤醒主控；否则回到待机状态。
4. 静音抑制：触发后强制静音1-2秒，防止同一唤醒词被重复触发。

3.2 典型唤醒词模型架构解析

业界两大标杆唤醒词系统——“Hey Siri”与“OK Google”——虽然功能相似，但底层架构设计存在显著差异，这些差异直接影响了它们的功耗特征与硬件适配策略。

3.2.1 “Hey Siri”架构：两级级联+个性化适配

Apple的“Hey Siri”采用两级检测架构：

• 第一级（Always-On）：运行在协处理器（Apple H1芯片或A系列芯片的Always-On DSP）上，使用一个轻量级DNN模型（约50K参数），仅处理20ms帧的FBank特征，输出粗粒度的“Siri可能性”分数。此级功耗控制在1mW以下。
• 第二级（确认级）：当第一级分数超过阈值时，唤醒主CPU运行一个更大的CRNN模型（约500K参数），处理1秒的完整音频上下文，进行精确确认。此级功耗约50mW，但持续时间仅200-300ms。

关键设计亮点：第二级模型包含说话人自适应层，通过用户注册时的语音样本进行微调，提高特定用户的唤醒率，同时降低他人误唤醒率。

3.2.2 “OK Google”架构：单模型+流式处理

Google的“OK Google”在Pixel设备上采用单模型流式推理架构：

• 模型结构：使用DS-CNN（深度可分离卷积）作为主干，输入为40维FBank特征，时间窗口为30帧（300ms），输出为“OK Google”与“其他”的二分类概率。
• 流式处理：模型以10ms为步长滑动推理，每次推理仅计算新增帧的卷积结果，利用状态缓存避免重复计算。这种设计使得推理延迟稳定在30ms以内。
• 功耗优化：Google在Pixel设备上使用自研的Edge TPU或DSP进行推理，能效比可达2 TOPS/W，使得持续流式推理的平均功耗控制在5mW以内。

3.2.3 架构对比与选型建议

3.3 案例拆解：基于Cortex-M4的唤醒词系统功耗调优

背景与约束：某智能门锁产品需要实现“你好小锁”唤醒词检测，硬件平台为STM32L4系列（Cortex-M4F，80MHz），电池容量为2000mAh，要求待机时间超过1年（平均电流≤228µA）。初始方案直接使用DS-CNN模型（200K参数）持续推理，实测平均电流为850µA，远超标。

初始现象与目标：系统在待机状态下，MCU以80MHz全速运行，持续进行特征提取与模型推理。测量发现，推理模块占功耗的78%，VAD占12%，其他外设占10%。目标是将平均电流降至200µA以下。

关键输入数据：

• DS-CNN模型：每帧推理需8.2ms，电流4.2mA
• 特征提取：每帧需1.5ms，电流2.8mA
• VAD（当前为能量检测）：每10ms运行一次，每次0.2ms，电流0.8mA
• 环境噪声：门锁安装于楼道，背景噪声约55dB

分析判断过程：

1. 计算推理占空比：若VAD每小时误触发20次，每次推理10帧，则推理总时长为20×10×8.2ms=1.64秒/小时，平均电流贡献为(1.64/3600)×4.2mA≈1.9µA。可见推理并非主要功耗来源。
2. 真正的瓶颈在于VAD的常开逻辑：当前VAD每10ms唤醒MCU一次，每次运行0.2ms，但MCU从睡眠到唤醒的切换开销为0.5ms（电流3mA），导致实际平均电流为(0.2+0.5)/10×3mA≈210µA。
3. 进一步发现，VAD使用的主频为80MHz，而VAD算法仅需2MHz即可实时运行。

实际操作步骤：

1. 优化VAD运行频率：将VAD任务迁移至LPTIM（低功耗定时器）驱动的低频循环，MCU主频降至4MHz，VAD计算时间延长至0.8ms，但唤醒开销降至0.1ms（4MHz下）。平均电流变为(0.8+0.1)/10×0.4mA≈36µA。
2. 引入两级VAD：第一级使用模拟比较器检测环境能量突变（硬件实现，功耗2µA），仅当能量超过背景噪声6dB时，才唤醒MCU运行软件VAD。软件VAD的触发率从每小时20次降至每小时2次。
3. 优化特征提取：将FFT从软件计算改为使用硬件加速器（STM32L4内置），特征提取时间从1.5ms降至0.4ms，电流从2.8mA降至1.5mA。
4. 调整推理策略：将DS-CNN的输入帧数从10帧减至5帧（覆盖500ms音频），推理时间降至4.1ms，唤醒率从95%降至92%，但误唤醒率从每天5次降至每天1次。

结果对比：

风险与代价：唤醒率下降5%在楼道场景中可接受，但若用户距离门锁超过3米，唤醒率可能降至80%以下。为此，在门锁上增加了“按键唤醒”作为兜底方案。此外，两级VAD的硬件比较器需要额外PCB面积与成本，但换来的是功耗数量级的改善。

复盘经验：唤醒词系统的功耗优化应遵循“先砍常开功耗，再优化触发功耗”的原则。VAD作为唯一常开模块，其功耗优化优先级最高；模型推理虽然单次功耗高，但通过降低触发率即可有效控制平均功耗。同时，硬件加速器（FFT、比较器）的引入往往比纯软件优化带来更显著的收益。

3.4 常见误区与设计复盘

在唤醒词检测的工程实践中，以下误区会导致功耗预算失控或唤醒体验不佳：

• 误区一：只优化模型推理，忽视VAD常开功耗。许多团队将精力集中在压缩模型参数量上，却忽略了VAD每10ms唤醒MCU的开销。实际上，当推理占空比低于1%时，VAD的常开功耗占比可能超过80%。
• 误区二：VAD阈值设置“一刀切”。固定阈值在安静环境与嘈杂环境中表现差异巨大。建议根据设备使用场景动态调整阈值，例如通过麦克风采集环境噪声并自动校准。
• 误区三：忽略MCU唤醒切换开销。MCU从睡眠到唤醒的时钟稳定时间（通常0.1-1ms）会消耗与正常运行相当的电流。若VAD触发频率过高，这部分开销会显著拉高平均功耗。
• 误区四：后处理过于简单。仅依赖单帧模型输出进行触发，容易导致误唤醒。必须引入时间平滑与双阈值机制，才能在实际环境中稳定工作。