1. 唤醒词基础与行业现状

各位同学好。今天咱们聊聊唤醒词——这个看似简单、实则坑不少的技术。

唤醒词，说白了就是让设备「醒过来」的那句话。你喊一声「Hey Siri」，手机亮了；说句「小爱同学」，音箱开始听你指令。这就是唤醒词干的事。

我入行那会儿，唤醒词还是个挺小众的方向。现在呢？几乎每个智能设备都有。你想想看，从手机到音箱，从耳机到车载，唤醒词已经成了人机交互的第一道门。

1.1 唤醒词的定义与技术本质

唤醒词（Wake Word）也叫触发词（Trigger Phrase），是设备从待机状态进入交互状态的语音指令。它和普通语音指令最大的区别在于——唤醒词必须在设备本地实时处理，不能依赖云端。

为什么？因为唤醒词要一直「听着」。如果每次都要联网，功耗和延迟都受不了。我做过一个项目，客户非要把唤醒词放云端，结果设备待机功耗直接飙到 2W，电池撑不过半天。后来老老实实改回本地处理。

技术架构上，唤醒词系统通常分三块：

• 前端信号处理：降噪、回声消除、语音增强。这部分决定了唤醒词能不能在嘈杂环境下工作。
• 唤醒词检测引擎：核心算法，负责从音频流中识别关键词。传统方法用 HMM/GMM，现在主流是 DNN/CNN/Transformer。
• 后端确认与仲裁：防止误唤醒，做多轮确认。比如 Alexa 的「Alexa, stop」需要连续两次确认才执行。

1.2 技术演进：从模板匹配到端到端

唤醒词技术走了大概三个阶段。我按自己的经历给大家捋一捋。

阶段	时间	核心技术	代表产品	痛点
第一阶段	2010-2014	模板匹配、DTW	早期车载语音	对环境噪声敏感，换个人说话就识别不了
第二阶段	2014-2018	HMM/GMM + DNN	Hey Siri、Google Now	模型体积大，低功耗设备跑不动
第三阶段	2018-至今	端到端 DNN、TCN、Transformer	小爱同学、Alexa	需要大量训练数据，小语种支持困难

第一阶段我印象很深。2012 年我参与过一个车载项目，用的就是 DTW（动态时间规整）。那会儿为了降低误唤醒，我们给每个用户录了 5 遍模板。结果呢？用户感冒了，声音变了，就唤不醒了。说白了，模板匹配太死板。

第二阶段 HMM 加 DNN 的组合，算是把唤醒词带入了实用阶段。Apple 在 iPhone 4S 上推出 Siri 时，用的就是这套方案。不过那时候模型还挺大的，iPhone 4S 的 A5 芯片跑起来有点吃力。

第三阶段端到端模型是现在的标配。我最近在做的项目，用的就是基于 TCN（时序卷积网络）的轻量模型，参数量不到 200K，在 Cortex-M4 上都能跑。嗯，这里要注意——端到端模型虽然精度高，但对数据量和标注质量要求也高。我踩过坑，后面会细说。

1.3 市场主流方案对比

目前市面上主流的唤醒词方案，我挑三个有代表性的聊聊：小爱同学、Hey Siri、Alexa。

维度	小爱同学	Hey Siri	Alexa
唤醒词长度	4 字	2 字（Hey Siri）	2 字（Alexa）
模型架构	自研 TCN + Attention	Apple 自研 DNN	Amazon 自研 CNN + LSTM
参数量	~150K	~300K	~500K
典型误唤醒率	每 24h < 5 次	每 24h < 3 次	每 24h < 8 次
低功耗方案	DSP 协处理器	Apple H1/H2 芯片	Amazon AZ1 神经网络加速器
多语言支持	中文为主	20+ 语言	8 语言

小爱同学我比较熟，因为之前和小米团队有过合作。他们的策略很有意思——唤醒词选「小爱同学」四个字，比「Hey Siri」长一倍。长唤醒词的好处是区分度高，不容易误唤醒。坏处是用户说着费劲。不过中文环境下，四个字的唤醒词用户接受度还行。

Hey Siri 是典型的短唤醒词方案。两个字，用户说着顺口。但短唤醒词容易和日常对话混淆。Apple 怎么解决的？他们加了一层「用户声纹确认」。只有设备主人的声音才能唤醒。我试过，确实有效，但偶尔也会把主人拒之门外。

Alexa 的方案比较重。Amazon 在 Echo 设备里塞了一颗 AZ1 神经网络加速芯片，专门跑唤醒词模型。好处是唤醒率极高，坏处是成本上去了。不过 Amazon 不靠硬件赚钱，所以无所谓。

1.4 唤醒词系统的核心指标

做唤醒词，你得盯住这几个指标。我建议每个项目开始前，先把指标定清楚。

• 唤醒率（Wake-up Rate）：用户说唤醒词时，设备成功响应的比例。一般要求 > 95%。
• 误唤醒率（False Wake-up Rate）：没人说唤醒词时，设备自己醒过来的频率。一般要求每 24h < 10 次。
• 响应延迟（Latency）：从用户说完唤醒词到设备给出反馈的时间。一般要求 < 300ms。
• 功耗（Power Consumption）：唤醒词模块的待机功耗。电池设备要求 < 10mW。

1.5 唤醒词系统的典型流程

下面这张图展示了唤醒词系统的完整工作流程。我画的时候特意把关键节点标出来了。

这个流程里，最容易被忽视的是「低功耗待机」和「持续监听循环」之间的切换。我见过不少方案，待机时功耗控制得很好，但一旦检测到疑似唤醒词，整个系统就全速跑起来，功耗瞬间飙升。结果呢？电池续航直接腰斩。

好的做法是分级唤醒——先用一个超低功耗的「预检测」模块过滤掉大部分非语音信号，只有通过预检测才启动完整的唤醒词引擎。这样既保证了唤醒率，又控制了功耗。

1.6 行业现状与挑战

说到行业现状，我觉得有几个趋势值得关注。

第一，唤醒词越来越短。 从「小爱同学」到「Hey Siri」到「Alexa」，唤醒词长度在缩短。短唤醒词用户体验好，但技术难度大。我最近在做的项目，客户要求用单字唤醒——一个字就把设备叫醒。说实话，单字唤醒的误唤醒率控制是个大难题。

第二，多模态融合。 现在的设备不只有麦克风，还有摄像头、触控屏。唤醒词可以和视觉、触控结合。比如你对着摄像头说「Hey Siri」，设备通过唇语辅助确认，能大幅降低误唤醒。这个方向我比较看好。

第三，个性化唤醒。 同一个设备，不同家庭成员用不同的唤醒词。或者设备学习用户的说话习惯，自动优化唤醒参数。这个方向还在早期，但潜力很大。