📚 课程目录第1章课程导入

1. 课程导入

各位同学好，我是你们这门课的主讲。今天咱们聊聊唤醒词模型——说白了，就是让设备能「听见」你叫它。

你想想看，智能音箱、手机助手，它们怎么知道你在跟它说话？总不能一直录音吧？那功耗和隐私都受不了。所以就有了唤醒词——一个特定的词或短语，比如「Hey Siri」、「小爱同学」、「OK Google」。设备平时处于低功耗监听状态，只识别这一个词。一旦命中，才启动完整语音识别。

我在项目中遇到过不少坑，后面会慢慢跟大家聊。今天先搭个框架，把基本概念理清楚。

唤醒词，也叫触发词（Trigger Word）或热词（Hot Word）。它是一个固定短语，长度通常 2~4 个音节。比如：

唤醒词模型的任务很简单：判断音频流里是否出现了预设的唤醒词。注意，它不需要理解整句话，只需要做「是/否」二分类。

核心要点：唤醒词模型是一个二分类器，输入是音频片段，输出是「唤醒词出现」或「未出现」。它不负责后续的语音识别，只负责「叫醒」系统。

唤醒词模型的应用场景其实比你想的广。我列几个典型的：

这是最经典的应用。音箱平时处于待机状态，功耗极低。只有检测到唤醒词，才启动主处理器和完整语音识别。我做过一个项目，客户要求待机功耗低于 50mW，唤醒延迟不超过 300ms。嗯，这个指标其实挺苛刻的。

手机上的唤醒词模型更复杂。因为手机环境多变——口袋里、包里、嘈杂的街上。而且手机有多个麦克风，需要做波束成形和噪声抑制。我记得有一次调试，用户反馈「在厨房水龙头旁边喊 Siri 死活不醒」，后来发现是水流声的频率跟唤醒词特征撞了。

车里噪声更大——风噪、胎噪、发动机、空调、音乐。唤醒词模型必须能在 SNR（信噪比）低到 0dB 甚至负分贝的情况下工作。我建议做车载的同学，一定要在真实路况下采集数据，别光靠实验室安静环境。

手表、耳机、眼镜。这些设备电池小，对功耗极其敏感。唤醒词模型通常跑在 DSP 或 NPU 上，内存可能只有几十 KB。你想想看，要在这么小的芯片上跑一个神经网络，还得保证精度，难度不小。

唤醒词模型看起来简单，做起来坑不少。我总结三个核心挑战：

设备大部分时间都在监听唤醒词。如果功耗高，电池撑不住。所以模型必须轻量——参数量通常控制在几十万到几百万之间。推理一次的计算量要小于 1M MACs（乘加操作）。

我曾经踩过一个坑：模型精度做到 98%，但功耗超标 3 倍。后来不得不剪枝、量化、换更小的网络结构。嗯，有时候精度和功耗就是一对冤家。

我的建议：设计唤醒词模型时，先把功耗预算定死。比如目标功耗 10mW，那就反推计算量，再选网络结构。别先追求精度，最后发现功耗压不下来。

唤醒词模型有两个关键指标：

这两个指标是 trade-off。你提高唤醒率，误唤醒率也会上升。怎么平衡？我习惯的做法是：先定误唤醒率上限，再优化唤醒率。因为用户对误唤醒的容忍度极低——半夜音箱突然说「我在」，你想想看是什么体验。

唤醒词模型必须在音频流上实时运行。延迟要求通常 < 300ms。这意味着：

我见过一个方案，用了 40 维 MFCC 特征 + 双向 LSTM，精度不错，但延迟 500ms。用户说「小爱同学」之后要等半秒才有反应，体验很差。后来换成 20 维 FBank + 轻量 CNN，延迟降到 150ms，精度只掉了 0.5%。

注意：实时性不只是模型推理时间，还包括音频采集、特征提取、后处理、系统调度。我曾经在项目里模型推理只用了 50ms，但整个链路走了 400ms——因为音频缓冲区设太大了。所以一定要测端到端延迟。

下面这张图展示了唤醒词模型涉及的核心知识模块。我把它画成了一张结构图，方便你建立整体认知。

这张图把唤醒词模型的知识体系分成了五层。从顶层的模型定义，到三大挑战，再到关键技术、具体方法，最后落到应用场景。你学完这门课，应该能把这五层都串起来。

今天的内容就这些。咱们把唤醒词模型的基本概念、应用场景和技术挑战都过了一遍。你记住三个关键词就行：低功耗、高精度、实时性。后面的章节，我会逐一拆解每个技术点，包括声学特征提取、模型结构设计、训练策略、部署优化等等。

嗯，第一节课先到这里。有什么问题，欢迎在讨论区留言。