1. 课程导入

各位同学好，我是你们这门课的主讲。在嵌入式AI这个方向摸爬滚打了十几年，踩过的坑不少，攒下的经验也还行。今天咱们开始第一讲——唤醒词模型到底是什么，以及它为什么值得你花30章来学。

说白了，唤醒词就是让设备「醒过来」的那句话。你对着智能音箱说「小爱同学」，对着车机说「你好，奔驰」，或者对着手机说「Hey Siri」——这些就是唤醒词。设备平时处于低功耗监听状态，一旦检测到唤醒词，立刻切换到全功能模式。

1.1 应用场景

我这些年接触过的项目，唤醒词的应用场景大致分三类。每个场景的约束条件都不一样，你想想看，设计思路能一样吗？

• 智能音箱：这是最典型的场景。设备一直通电，但大部分时间处于待机。唤醒词检测的功耗直接决定了整机的待机时长。我在做某款智能音箱时，发现唤醒模块占了待机功耗的40%——嗯，这个数字我记得很清楚。
• 车载场景：车规级要求就严苛多了。首先是噪声环境复杂——风噪、胎噪、发动机声、乘客聊天。其次是安全性要求高，误唤醒可能导致驾驶员分心。我曾经在高速路测时，因为空调风声导致误触发，差点把导航切了。
• 手机/可穿戴：这类设备对功耗最敏感。手机还好，电池大；但像TWS耳机、智能手表，唤醒词检测必须做到微安级功耗。我见过一个项目，为了省电把唤醒模型量化到4bit，精度掉了3个点，但功耗降了60%。

场景	核心约束	典型功耗预算	噪声环境
智能音箱	待机功耗、远场识别	50-200 mW	室内、中等
车载	鲁棒性、低误唤醒	100-500 mW	高噪、多源
手机/可穿戴	极致低功耗、小模型	1-50 mW	多变、近场

1.2 性能指标

做唤醒词优化，你得先知道拿什么尺子量。我见过不少新手上来就调模型，结果指标选错了，白忙活一个月。这里四个指标，一个都不能少。

准确率与召回率

这两个指标是双胞胎，但经常打架。准确率（Precision）说的是「我说了唤醒词，设备能正确响应的比例」；召回率（Recall）说的是「设备响应的次数里，有多少次确实是用户说了唤醒词」。你想想看，一个模型如果见谁都说「你好」，召回率100%，但准确率惨不忍睹——这就是典型的「乱唤醒」。

我个人习惯用F1分数来平衡这两个指标。在项目中，我一般要求唤醒率（召回率）不低于95%，误唤醒率（1-准确率）控制在每24小时不超过3次。这个标准是我从某大厂的产品规格里抄来的，实测用户体验确实不错。

实时性

唤醒词的响应时间，说白了就是从用户说完唤醒词到设备给出反馈的延迟。这个指标在车载场景尤其敏感——你想想，高速上喊一声「你好，奔驰」，结果等了两秒才有反应，那体验就太差了。

我一般把实时性拆成三段：

• 前端处理延迟：音频采集、VAD（语音活动检测）、特征提取。这部分通常控制在10ms以内。
• 推理延迟：模型前向计算的时间。嵌入式设备上，我要求单次推理不超过30ms。
• 后处理延迟：置信度判决、唤醒确认逻辑。这部分5ms以内搞定。

总延迟控制在50ms以内，人耳基本感觉不到。超过100ms，用户就会觉得「卡」。

功耗

功耗是嵌入式唤醒词模型的命门。你模型做得再准，如果功耗超标，产品经理第一个砍掉你。我经历过一个血泪教训：某次把唤醒模型精度做到98%，但功耗比竞品高了30%，最后被客户拒了。

功耗主要来自三块：

1. 麦克风与ADC：这部分硬件功耗基本固定，约1-5mW。
2. 特征提取：MFCC或滤波器组计算，通常占10-20%的功耗。
3. 模型推理：这是大头，占60-80%。模型大小、计算量、访存模式都直接影响功耗。

1.3 唤醒词模型的知识体系

下面这张图是我自己整理的唤醒词模型知识体系。你看，它不是一个孤立的模型，而是从信号处理到模型设计，再到工程部署的完整链条。咱们这门课30章，就是沿着这条线一步步往下走。