1. 课程导入
什么是唤醒词
唤醒词，说白了就是让设备「醒过来」的那句话。
你对着智能音箱说「小爱同学」，它亮了。你对着车机说「你好，宝马」，它应了。这个触发词，就是唤醒词。
从技术角度看，唤醒词是一个轻量级的语音关键词检测任务。设备平时处于低功耗监听状态，麦克风一直在工作，但只做一件事——判断当前语音里有没有预设的那个词。有，就唤醒；没有，继续睡。
我刚开始做这个方向时，总觉得唤醒词不就是个语音识别吗？后来踩了坑才明白，它跟大词表语音识别完全是两码事。唤醒词模型只有几个输出类别，模型体积通常只有几百KB，推理延迟要求控制在几十毫秒以内。你想想看，设备要全天候开着麦克风，如果模型太大，电池撑不过半天。
唤醒词的应用场景
这些年我经手的项目里，唤醒词几乎覆盖了所有带麦克风的智能设备。挑三个最典型的说说。
智能音箱
这是唤醒词最广为人知的应用。亚马逊Echo用「Alexa」，天猫精灵用「天猫精灵」，小度用「小度小度」。智能音箱的唤醒词有个特点——远场。用户可能在三米外说话，背景有电视声、空调声、人声。模型要在这些干扰里准确检出唤醒词，还不能被广告里的「小爱同学」误触发。
我记得有一次，某品牌音箱在电视购物频道播出时疯狂误唤醒，用户投诉炸了。排查下来，是电视里主持人说了个发音相似的词。后来我们加了一层声纹过滤，才把误唤醒率压下去。
车载场景
车载唤醒词对噪声鲁棒性要求极高。风噪、胎噪、发动机声、空调声、乘客聊天声，这些都会混进麦克风信号。我做过一个车载项目，在高速120km/h的测试环境下，信噪比低到-5dB，人耳都听不清自己说了什么，模型还得正常工作。
车载还有一个特殊要求——免唤醒。很多操作（比如调音量、切歌、导航）不应该每次都说唤醒词。这其实已经超出了纯唤醒词的范畴，进入了「语音命令词」的领域，但底层技术是相通的。
手机端
手机上的唤醒词，最典型的就是「Hey Siri」和「OK Google」。手机场景的特点是功耗敏感。唤醒词模型必须跑在协处理器或DSP上，主CPU不能参与，否则待机功耗会飙升。
我见过一个方案，把唤醒词模型量化到8bit，部署在Cortex-M4上，整体功耗控制在10mW以内。嗯，这个数字我记得很清楚，因为当时为了压功耗，我们反复调了三个月的模型结构。
| 场景 | 核心挑战 | 典型功耗预算 | 常用部署平台 |
|---|---|---|---|
| 智能音箱 | 远场、多噪声源 | 100-500mW | ARM Cortex-A / DSP |
| 车载 | 高噪声、低信噪比 | 200-1000mW | 车规级SoC / FPGA |
| 手机 | 超低功耗、协处理器 | 5-20mW | Cortex-M / 专用NPU |
课程目标与学习路径
这门课的目标很明确——让你从零开始，亲手搭建一个能用的唤醒词模型。不需要你有深度学习背景，不需要你懂语音信号处理，甚至不需要你写过一行Python。我会带着你一步步走完整个流程。
整个课程分成四个阶段，我画了张图帮你理解。
具体来说，每个阶段你会学到这些。
阶段一：基础理论（第1-6章）
我会从最基础的语音信号讲起。什么是采样率？什么是FFT？MFCC特征怎么提取？唤醒词检测的「检测」到底是什么意思？这些概念我都会用最直白的方式讲清楚。你不需要去啃信号处理教材，跟着我做就行。
阶段二：数据处理（第7-12章）
数据是唤醒词模型的命根子。这个阶段我会教你如何采集数据、如何做数据增强（加噪声、变速、混响）、如何标注和清洗。我曾经因为数据标注错误，导致模型在测试集上表现很好，上线后一塌糊涂。嗯，这种坑我会帮你提前避开。
阶段三：模型训练（第13-22章）
这是课程的核心。我会带你从最简单的DNN模型开始，逐步过渡到CNN、TCN，最后到轻量级的Transformer。每个模型我都会给出完整的训练代码，你可以在自己的电脑上跑起来。我会告诉你每个模型适合什么场景，为什么选它不选别的。
阶段四：部署优化（第23-30章）
模型训练出来只是第一步，真正难的是把它塞进嵌入式设备里。这个阶段我会教你模型量化（FP32→INT8）、剪枝、蒸馏，以及如何在Cortex-M和Cortex-A上做推理加速。最后我们会把模型跑在一块真实的开发板上，验证唤醒效果。