1. 课程导入
各位同学，欢迎来到《语音唤醒词定制开发实战》的第一章。
我是你们这门课的主讲。做了十几年嵌入式音频开发，从最早的 DSP 裸机跑 GMM 模型，到后来在树莓派上折腾 Snowboy，再到如今用 Kaldi 和 WeNet 做端到端唤醒——这条路我踩过的坑，比你们想象的多得多。
今天这一章，我们先不急着写代码。先把唤醒词这个技术全景图铺开，让你知道它是什么、怎么来的、现在主流方案各有什么优缺点。说白了，就是帮你建立一张「技术地图」。有了这张地图，后面 29 章你才不会迷路。
1.1 什么是唤醒词？
唤醒词（Wake Word），也叫触发词、热词。就是你对着设备说一个特定短语，比如「Hey Siri」、「小爱同学」、「OK Google」，设备就从休眠状态被激活，开始听你后续的指令。
我习惯把它比作「语音世界的门铃」。你想想看，智能音箱、车载助手、耳机，这些设备不可能 7×24 小时开着麦克风做全语音识别——功耗扛不住，隐私也受不了。所以它们平时只跑一个极轻量的唤醒词检测模型，只有检测到预设的唤醒词，才启动完整的语音识别引擎。
唤醒词的核心特征：
- 低功耗：必须能在 MCU 或 DSP 上持续运行，功耗控制在 mW 级
- 低延迟：从用户说完唤醒词到设备响应，通常要求 < 500ms
- 高精度：误唤醒率要极低（比如每天不超过 1 次），同时唤醒率要 > 95%
- 本地化：所有计算必须在设备端完成，不能依赖云端
嗯，这里要注意：唤醒词 ≠ 语音识别。唤醒词只做「是/否」的二分类判断，而语音识别要做的是把整句话转成文字。两者的模型复杂度、计算量、延迟要求，完全不是一个量级。
1.2 唤醒词技术发展史
唤醒词技术不是一天长成的。我把它分成四个阶段，每个阶段我都亲身经历过。
| 阶段 | 时间 | 核心技术 | 代表产品 |
|---|---|---|---|
| 萌芽期 | 2010 年前 | 模板匹配、DTW | 早期车载语音 |
| 传统 ML 期 | 2010-2015 | GMM-HMM、MFCC + SVM | Google Now、Cortana |
| 深度学习期 | 2015-2020 | DNN、CNN、LSTM、GRU | Snowboy、Porcupine、Alexa |
| 端到端期 | 2020 至今 | CTC、Attention、Mamba | WeNet、Kaldi 新版 |
我记得 2012 年那会儿，我在一个车载项目里做唤醒词。用的是 DTW（动态时间规整），说白了就是把用户说的语音和模板做距离匹配。效果嘛……用户换个口音就唤不醒了。后来换成了 GMM-HMM，好了一些，但模型文件动不动几十 MB，嵌入式设备根本跑不动。
真正的转折点是 2015 年左右，深度学习开始渗透到语音领域。Snowboy 和 Porcupine 这类工具的出现，让唤醒词开发的门槛一下子降了下来。你不需要懂声学模型、语言模型，只要准备几段音频，就能训练一个可用的唤醒词模型。
到了 2020 年以后，端到端模型成了主流。WeNet 和 Kaldi 的新版本，直接用 CTC 或 Attention 架构，把特征提取、声学模型、解码器全部融合成一个网络。效果更好，但定制难度也更高了。
1.3 主流唤醒词方案对比
市面上主流的唤醒词方案，我挑四个最有代表性的：Snowboy、Porcupine、Kaldi、WeNet。每个我都用过，优缺点心里有数。
1.3.1 Snowboy
Snowboy 是 2016 年开源的，曾经是嵌入式唤醒词的「标配」。我最早在树莓派上做智能音箱原型，用的就是它。
- 优点：轻量、开源、支持自定义唤醒词、跨平台（Linux/macOS/Windows/Raspberry Pi）
- 缺点：模型基于 DNN，精度一般；项目已停止维护（2019 年后无更新）；对噪声环境敏感
- 适用场景：个人项目、原型验证、对精度要求不高的场景
避坑指南：我曾经在一个智能家居项目里用了 Snowboy，结果用户反馈说「开个电视，隔壁的灯也亮了」。后来排查发现，Snowboy 在信噪比低于 10dB 时误唤醒率飙升。如果你要做量产产品，Snowboy 慎用。
1.3.2 Porcupine
Porcupine 是 Picovoice 公司的产品，有开源版和商业版。我去年在一个智能耳机项目里评估过它。
- 优点：精度高、延迟低（< 200ms）、支持多唤醒词、跨平台（包括 MCU）
- 缺点：自定义唤醒词需要在线训练（商业版收费）；开源版功能受限；模型文件较大
- 适用场景：商业产品、对精度和延迟要求高的场景
Porcupine 的精度确实比 Snowboy 好不少。但它的自定义训练必须上传音频到 Picovoice 的云端服务器，对于有数据隐私要求的项目，这是个硬伤。
1.3.3 Kaldi
Kaldi 是语音识别界的「老大哥」，虽然它主要做 ASR，但也可以用来做唤醒词。
- 优点：功能强大、社区活跃、支持多种模型（GMM-HMM、TDNN、Chain 模型）
- 缺点：学习曲线陡峭、配置复杂、对嵌入式设备不友好
- 适用场景：研究、定制化需求高的项目、有语音团队支持
说实话，Kaldi 不适合初学者。我当年为了在 Kaldi 上跑通一个唤醒词模型，光编译就折腾了两天。但如果你要做深度定制，Kaldi 的灵活性是其他方案比不了的。
1.3.4 WeNet
WeNet 是 2021 年开源的端到端语音识别工具包，也支持唤醒词。
- 优点：端到端模型（U2/U2++）、支持流式和非流式、精度高、部署方便
- 缺点：模型较大、对硬件有一定要求、社区相对年轻
- 适用场景：对精度要求高的产品、有 GPU 训练资源
我个人比较看好 WeNet 的方向。它的 U2 架构把 CTC 和 Attention 结合起来，既能做流式识别，又能做重打分。不过目前 WeNet 的唤醒词定制还比较「硬核」，需要自己写数据处理脚本。
1.4 方案对比总表
| 维度 | Snowboy | Porcupine | Kaldi | WeNet |
|---|---|---|---|---|
| 开源 | ✅ 完全开源 | ⚠️ 部分开源 | ✅ 完全开源 | ✅ 完全开源 |
| 自定义唤醒词 | ✅ 本地训练 | ⚠️ 云端训练 | ✅ 本地训练 | ✅ 本地训练 |
| 嵌入式支持 | ✅ 优秀 | ✅ 优秀 | ❌ 较差 | ⚠️ 一般 |
| 精度 | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 延迟 | < 500ms | < 200ms | < 300ms | < 300ms |
| 学习成本 | 低 | 低 | 高 | 中 |
| 维护状态 | ❌ 已停更 | ✅ 活跃 | ✅ 活跃 | ✅ 活跃 |
1.5 唤醒词技术全景图
下面这张图，是我梳理的唤醒词技术全景。它涵盖了从音频采集到唤醒决策的完整链路，以及各阶段涉及的核心技术。
1.6 课程目标与学习路径
这门课的目标很明确：让你掌握从零到一定制唤醒词的能力。不管你用的是 Snowboy、Porcupine、Kaldi 还是 WeNet，学完这门课，你都能独立完成数据采集、模型训练、嵌入式部署的全流程。
具体来说，学完这门课，你应该能：
- 理解唤醒词的核心原理：特征提取、模型架构、解码策略
- 掌握数据准备方法：录音规范、数据增强、标注格式
- 独立训练唤醒词模型：至少掌握两种方案的训练流程
- 完成嵌入式部署：在树莓派、ESP32、ARM Linux 等平台上跑通唤醒词
- 具备调优能力：能根据实际场景调整阈值、优化模型、降低误唤醒
学习建议：我建议你准备一块树莓派 4B 或 ESP32-S3 开发板。后面很多章节的实战内容，光看代码是学不会的，必须动手跑一遍。另外，准备一个安静的环境录几段自己的语音，后面做数据增强和模型训练时会用到。
整门课 30 章，我把它分成五个模块：
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-5 章 | 唤醒词原理、音频处理基础、特征提取 |
| 工具篇 | 6-12 章 | Snowboy、Porcupine 定制开发实战 |
| 进阶篇 | 13-20 章 | Kaldi、WeNet 唤醒词训练与调优 |
| 部署篇 | 21-26 章 | 嵌入式移植、性能优化、低功耗设计 |
| 实战篇 | 27-30 章 | 完整项目实战：智能音箱、车载助手、可穿戴设备 |