2、数据采集避坑：麦克风阵列选型、远场/近场数据比例、信噪比控制、常见噪声类型（空调、风扇、厨房）、数据标注的坑

数据采集这件事，说白了就是决定你模型上限的环节。我见过太多团队，模型结构调得飞起，最后上线一测，唤醒率直接腰斩。为什么？数据源头就歪了。这一章我把这些年踩过的坑、流过的泪，都给你掰开揉碎讲清楚。

很多人一上来就问：「我要做唤醒词，是不是用 8 麦阵列最好？」我的回答是：不一定。你得先想清楚你的产品形态。

我曾经踩过的坑： 有个项目用了 8 麦阵列，结果数据采集时没考虑通道一致性。训练出来的模型，在某个特定角度唤醒率直接掉到 30%。后来排查才发现，是其中两个麦克风的灵敏度偏差超过了 2dB。所以，选型之后一定要做通道校准。

这个问题我每次培训都会被问到。我的经验是：远场数据至少要占到 60% 以上。为什么？因为近场数据太好收了——你拿个手机对着嘴录，信噪比轻松 30dB+。但真实场景呢？用户可能在 3 米外、5 米外喊你的设备。

我个人习惯的比例是这样的：

一个小技巧： 远场数据不要只录「安静环境下的远场」。你想想看，用户离得远的时候，往往环境也更嘈杂。所以远场数据一定要搭配噪声一起录，否则模型学到的只是「音量变小」而已。

信噪比（SNR）这个指标，很多人只关注平均值。但真正决定模型鲁棒性的，是 SNR 的分布。我见过一个团队，所有训练数据的 SNR 都在 15-20dB 之间，模型在实验室跑得飞起。一上线，用户家里 SNR 只有 5dB，直接崩了。

我建议的数据 SNR 分布：

    核心原则： 宁可 SNR 分布宽一点，也不要集中在某个区间。模型没见过低 SNR 场景，它就学不会「在噪声中提取唤醒词」这个能力。

说到噪声，很多人第一反应是「加白噪声」。嗯，这其实是个误区。真实世界的噪声哪有那么温柔？我给大家列几个最要命的噪声类型：

空调噪声： 低频稳态，频谱集中在 100-500Hz。特点是「嗡嗡嗡」一直有，容易和唤醒词的元音部分混淆。我有个项目，唤醒词是「小爱同学」，结果空调一开，误唤醒率翻了三倍。
风扇噪声： 中频旋转噪声，有周期性。比空调更麻烦，因为它的频谱会随着转速变化。你想想看，风扇开一档和三档，噪声特征完全不一样。
厨房噪声： 这是最复杂的。油烟机、水龙头、切菜声、碗碟碰撞声……全是瞬态冲击噪声。我建议厨房场景的数据至少要占整体噪声数据的 15%，否则模型在厨房里基本是聋的。
其他常见噪声： 电视声、马路噪声、多人说话声（babble noise）、宠物叫声。

注意： 不要只录单一噪声。真实场景是多种噪声叠加的。比如「开着空调看电视」，这种复合噪声场景一定要覆盖到。

数据标注，看起来最简单，实际上坑最多。我来说几个真实案例。

第一个坑：标注边界不一致。 唤醒词「你好小明」，有的人从「你」开始标，有的人从「你」之前 100ms 开始标。模型学到的就是「边界混乱」。我建议统一标准：唤醒词起始点前保留 200ms 静音段，结束点后保留 300ms。这样模型才能学会「什么时候该开始听」。

第二个坑：标注人员的主观性。 同一个音频，不同标注员可能给出不同的标签。尤其是「这个算不算唤醒词？」——用户说了一半被打断，算不算？我的做法是：建立标注规范文档，并且做交叉验证。至少两个人标注同一份数据，不一致的地方由专家仲裁。

第三个坑：负样本标注。 很多人只关注正样本（唤醒词），忽略了负样本（非唤醒词）。但负样本才是决定误唤醒率的关键。我建议负样本至少是正样本的 3-5 倍，而且要覆盖各种「听起来像唤醒词」的发音。

我的个人习惯： 标注完成后，我会随机抽 5% 的数据自己听一遍。不是为了挑刺，而是为了感受数据质量。有一次我听完发现，标注员把「你好小兵」标成了「你好小明」——这两个词在模型眼里可完全不一样。

下面这张图，我把数据采集的核心环节串起来了。你可以把它当作一个检查清单：

这张图把整个数据采集的流程串起来了。从麦克风选型开始，到远/近场比例、信噪比控制、噪声类型，最后落到数据标注。每一个环节都有对应的避坑点。我建议你每次做数据采集前，都拿这张图过一遍，能省掉很多后期返工的痛苦。