1. 课程导入

各位同学好，我是老张。做语音算法这行十几年了，今天咱们聊聊唤醒词模型。说白了，唤醒词就是让设备「醒过来」的那句话——比如你对着智能音箱喊「小爱同学」，或者对着手机说「Hey Siri」。设备听到这个词，就知道该干活了。

我刚开始接触这个方向时，觉得不就是做个关键词检测嘛，能有多难？后来踩了不少坑才明白，唤醒词模型虽然看起来简单，但要在真实场景下跑得稳、跑得快，门道可不少。

1.1 什么是唤醒词

唤醒词（Wake-up Word / Keyword Spotting），也叫触发词。它是一段固定的语音指令，设备在待机状态下持续监听，一旦检测到这个词，就进入交互模式。

举个例子：

• 智能音箱：天猫精灵、小度小度
• 手机助手：Hey Siri、OK Google
• 车载系统：你好，奔驰
• 穿戴设备：手表上的「嘿，Siri」

嗯，这里要注意一点：唤醒词和语音识别（ASR）不一样。ASR 是把你说的所有话转成文字，而唤醒词只关心「有没有出现那个特定的词」。它更像一个守门员，只判断「是」或「否」。

1.2 应用场景

唤醒词的应用场景，其实比你想的广。我整理了一下，主要分这几类：

场景	典型设备	唤醒词示例	关键要求
智能家居	音箱、智能灯、空调	小爱同学	低功耗、远场识别
手机/平板	智能手机、平板	Hey Siri	低误唤醒、隐私保护
车载	车机、后视镜	你好，奔驰	抗噪、免唤醒
可穿戴	手表、耳机	嘿，Siri	超低功耗、小模型
工业/医疗	手术灯、操作台	开始记录	高精度、低延迟

我在做车载项目时遇到过一个问题：车内开着音乐，副驾在聊天，这时候唤醒词还能不能准确触发？说白了，真实场景比实验室复杂得多。

1.3 技术挑战

唤醒词模型看着简单，但真正落地时，挑战一个接一个。我挑几个最头疼的说说：

• 远场衰减：人离设备3米和30厘米，音量差十几dB。模型得扛得住这种动态范围。
• 噪声干扰：空调声、电视声、马路噪音……模型要在各种噪声里把唤醒词「捞」出来。
• 误唤醒：这是用户最烦的。设备突然自己醒了，还回一句「我在」，尴尬不？
• 功耗限制：尤其是手表、耳机这类设备，电池就那么点，模型得在几毫瓦下跑。
• 口音/语速差异：同一个唤醒词，东北大哥和广东靓仔说出来，声学特征差很多。

1.4 评价指标

评价一个唤醒词模型好不好，不能只看准确率。我一般用这几个指标：

指标	全称	含义	理想值
FAR	False Alarm Rate	误唤醒率：非唤醒词被误判为唤醒	< 0.5 次/小时
FRR	False Rejection Rate	漏唤醒率：说了唤醒词但没识别	< 1%
Latency	响应延迟	从说完唤醒词到设备响应的时间	< 300ms
Model Size	模型大小	模型占用的存储空间	< 500KB
功耗	Power Consumption	模型推理时的平均功耗	< 10mW

你想想看，FAR 和 FRR 其实是矛盾的。阈值设得严，误唤醒少了，但漏唤醒就多了；阈值设得松，漏唤醒少了，但设备可能老自己醒。怎么平衡？这就是咱们这门课要讲的核心。

1.5 唤醒词模型整体架构

为了让你有个全局感，我画了张图。唤醒词模型从麦克风到最终决策，大致走这么几步：

从图上你能看到，整个流程是串行的。麦克风一直开着，VAD 先判断有没有人说话，有的话才提取特征、跑模型。这样做的好处是省电——没声音时模型不用跑。

我个人习惯在 VAD 和特征提取之间加一个「预筛选」模块，用简单的能量阈值先过滤掉明显不是唤醒词的片段。这个小技巧能减少模型推理次数，对功耗敏感的设备特别有用。

1.6 小结

这一章咱们把唤醒词模型的基本概念、应用场景、技术挑战和评价指标都过了一遍。说白了，唤醒词模型就是「在低功耗下，从连续语音流中准确检测出特定关键词」的任务。它不像大模型那么炫酷，但却是语音交互的第一道门——门没守好，后面再好的功能也白搭。

接下来的课程，我会带你一步步深入：从数据准备、特征工程，到模型结构设计、训练技巧，再到部署优化和精度调优。每个环节我都会把实际项目中踩过的坑、总结的经验分享给你。