2、语音交互基础：ASR、TTS 与唤醒词设计

语音交互，说白了就是让机器听懂人话，再用人话回应你。这个领域我摸爬滚打了好几年，踩过的坑比写过的代码还多。今天咱们就把语音识别（ASR）、语音合成（TTS）和唤醒词设计这三个核心模块拆开揉碎了讲。

2.1 语音识别（ASR）原理

ASR 的目标很简单：把音频信号转成文字。但实现起来，远没你想的那么简单。

我习惯把 ASR 流程分成三个阶段：

1. 前端信号处理：降噪、端点检测、特征提取
2. 声学模型：把音频特征映射到音素（拼音的最小单位）
3. 语言模型：结合上下文，把音素串成最合理的文字

举个例子。你说「我想去银行」，ASR 会先提取梅尔频率倒谱系数（MFCC）特征，然后声学模型判断出音素序列 "wo xiang qu yin hang"，最后语言模型结合上下文，把 "yin hang" 映射成「银行」而不是「引航」。嗯，这里要注意，如果环境噪音大，语言模型的权重就得调高，否则容易出错。

我在项目中遇到过最头疼的问题，是远场识别。麦克风离人 3 米以上，信噪比急剧下降。后来我们用了波束成形（Beamforming）加多麦克风阵列，才把识别率从 60% 拉到 85% 以上。

ASR 组件	输入	输出	常见技术
前端处理	原始音频	降噪后音频 / 特征向量	VAD、MFCC、Beamforming
声学模型	特征向量	音素概率分布	CNN、RNN-T、Transformer
语言模型	音素序列	文字序列	N-gram、BERT、GPT

2.2 语音合成（TTS）原理

TTS 是 ASR 的逆过程——把文字转成语音。但这里有个悖论：机器合成的语音，要么像机器人，要么像真人但计算量巨大。

目前主流 TTS 架构分两派：

• 拼接合成：预录大量语音片段，按需拼接。音质高但死板，换个词就得重新录。
• 参数合成：用模型直接生成波形。灵活但容易有「电子音」。

我个人更倾向混合方案。前端用 Tacotron 或 FastSpeech 生成梅尔频谱，后端用 HiFi-GAN 或 WaveGlow 转成波形。这样既保证了自然度，又控制了延迟。

我记得有一次做车载语音，客户要求 TTS 延迟低于 200ms。我们试了各种模型，最后发现 WaveRNN 在 GPU 上能跑到 150ms，但 CPU 上直接崩到 800ms。后来做了模型量化 + 算子融合，才勉强达标。

TTS 的关键指标就三个：

1. MOS 分（Mean Opinion Score）：人耳主观评分，5 分满分，商用至少 4.0
2. 实时率：合成 1 秒语音需要多少秒计算，低于 0.5 才算可用
3. 首包延迟：从输入文字到听到第一个字的时间，建议 < 300ms

2.3 唤醒词与命令词设计

唤醒词就是「嘿 Siri」「小爱同学」这类词。命令词则是唤醒后说的「打开空调」「导航到公司」。

设计唤醒词，有几个硬规则：

• 音节数 3-5 个：太短容易误唤醒，太长用户嫌啰嗦
• 避免常见词：别用「你好」「开始」这种日常高频词
• 声学区分度：音素组合要独特，比如「小爱同学」的 /x/ /ai/ /t/ /ong/ /x/ /ue/ 组合在中文里很少见

命令词设计更讲究。我建议按「动词 + 对象 + 参数」的格式来：

# 命令词格式示例
打开 空调 26度
导航 到 北京西站
播放 周杰伦 的 七里香

为什么这么设计？因为 ASR 对短词的识别率远高于长句。把「帮我打开空调并设置到 26 度」拆成「打开 空调 26度」，识别率能从 70% 提升到 92%。

下面这张图，是我自己总结的语音交互全链路结构：

2.4 唤醒词与命令词的测试要点

测试唤醒词，不能只测「唤醒率」。我列几个必测项：

• 唤醒率：正常说话时，10 次至少唤醒 9 次
• 误唤醒率：24 小时连续运行，误唤醒不超过 3 次
• 唤醒延迟：从说出唤醒词到系统响应，建议 < 500ms
• 抗噪唤醒：60dB 噪音下唤醒率不低于 80%

命令词测试更复杂。我习惯用「混淆矩阵」来评估：

实际命令	识别为「开灯」	识别为「关灯」	识别为其他
开灯	92%	3%	5%
关灯	4%	90%	6%
打开空调	2%	1%	97%

你看，如果「开灯」和「关灯」的混淆率超过 5%，就得考虑换命令词了。