3. 数据采集避坑
数据增强，说白了就是给训练数据「化妆」。你想想看，真实场景下的唤醒词，哪有实验室里那么干净？
我刚开始做唤醒词的时候，模型在测试集上跑得挺好，一上真机就崩。后来才发现，问题就出在数据太「素」了。模型没见过带噪的、混响的、变调的语音，它当然不会处理。
这一章，我把常用的增强手段掰开揉碎讲清楚。最后会给出我自己的增强流水线，你直接拿去用就行。
3.1 加噪：最基础也最有效
加噪是数据增强的「基本功」。它的逻辑很简单：把干净的唤醒词语音，叠加上各种背景噪声。
噪声从哪里来？我一般用这几个公开数据集：
- MUSAN：包含音乐、语音、噪声三类，质量不错。
- CHiME：真实场景噪声，比如公交车、咖啡馆、街道。
- NoiseX-92：经典噪声库，虽然老了点，但够用。
加噪时，信噪比（SNR）是关键参数。SNR 越低，噪声越大，训练难度越高。
| 场景 | 推荐 SNR 范围 (dB) | 说明 |
|---|---|---|
| 安静室内 | 15 ~ 25 | 模拟办公室、卧室 |
| 嘈杂街道 | 5 ~ 15 | 模拟户外、商场 |
| 极端噪声 | 0 ~ 5 | 模拟工厂、地铁 |
3.2 混响：让声音「有空间感」
混响模拟的是声音在房间墙壁上反射的效果。没有混响的语音听起来像「贴着脸说」，有混响才像真实环境。
混响的核心是房间冲激响应（RIR）。你可以用实测的 RIR，也可以用工具生成。
我常用的工具：
- pyroomacoustics：Python 库，可以模拟任意形状的房间。
- RIR Generator：MATLAB 工具，生成速度快。
混响参数里，RT60（混响时间）最重要。RT60 越大，声音越「空灵」。
| 房间类型 | RT60 范围 (秒) | 示例 |
|---|---|---|
| 小房间 | 0.2 ~ 0.4 | 卫生间、电梯 |
| 中等房间 | 0.4 ~ 0.8 | 客厅、办公室 |
| 大房间 | 0.8 ~ 1.5 | 会议室、大厅 |
3.3 变速与音高偏移：对抗语速和语调差异
不同的人说话，语速和音调都不一样。模型如果没见过变速和变调，遇到说话快或声音尖的用户，就容易翻车。
变速：改变语速，但不改变音高。
- 速度因子 0.8：语速变慢，适合模拟老年人。
- 速度因子 1.2：语速变快，适合模拟急性子。
音高偏移：改变音高，但不改变语速。
- 偏移 +3 semitones：声音变尖，模拟儿童或女性。
- 偏移 -3 semitones：声音变粗，模拟男性或低沉嗓音。
实现上，我推荐 librosa 或 sox。librosa 的 time_stretch 和 pitch_shift 函数，一行代码搞定。
import librosa
# 变速：速度变为原来的 1.2 倍
y_fast = librosa.effects.time_stretch(y, rate=1.2)
# 音高偏移：升高 3 个半音
y_high = librosa.effects.pitch_shift(y, sr=sr, n_steps=3)
3.4 SpecAugment：频域增强的「黑科技」
SpecAugment 是 Google 在 2019 年提出的方法。它不操作原始波形，而是直接对频谱图做「遮挡」。
具体有三种操作：
- 时间遮蔽：随机遮掉一段时间的频谱。
- 频率遮蔽：随机遮掉一段频率的频谱。
- 时间扭曲：在时间轴上做非线性拉伸。
为什么有效？因为模型被迫从「不完整」的频谱中学习特征，泛化能力自然更强。
我常用的参数：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 时间遮蔽宽度 | 10 ~ 20 | 帧数，对应约 0.1~0.2 秒 |
| 频率遮蔽宽度 | 8 ~ 16 | Mel 频带数 |
| 遮蔽次数 | 2 ~ 4 | 每个样本遮蔽 2~4 块 |
3.5 我常用的增强 Pipeline
好了，前面讲了各种增强手段。现在说说我怎么把它们串起来。
我的流水线分两步：离线增强和在线增强。
离线增强：一次性生成大量增强数据，存到磁盘。适合加噪和混响，因为计算量大。
在线增强：训练时实时做，不存盘。适合变速、音高偏移、SpecAugment，因为参数随机，每次都不一样。
下面是我常用的完整流程：
- 原始语音 → 16kHz 单声道，归一化到 -26 dBFS。
- 随机选择 RIR（RT60 0.2~1.0s），做卷积混响。
- 随机选择噪声（SNR 0~25 dB），叠加到混响后的语音上。
- 随机变速（速度因子 0.85~1.15）。
- 随机音高偏移（偏移 -3~+3 semitones）。
- 提取 FBank 特征（80 维 Mel 滤波器组）。
- 在线 SpecAugment（时间遮蔽 12 帧，频率遮蔽 10 个 Mel 频带）。
这个流水线，我用了两年多。效果稳定，模型在真实场景下的误唤醒率降低了 40% 以上。
下面这张图，是我这个 Pipeline 的完整流程：
嗯，这个 Pipeline 看起来步骤多，但实际跑起来很快。我一般在训练前，先把混响和加噪做完，存成 TFRecord 或 HDF5。训练时，从磁盘读数据，再做变速、音高偏移和 SpecAugment。
这样做的好处是：离线部分保证数据多样性，在线部分保证随机性。两者结合，模型见过的数据组合几乎是无限的。