4. 声音检测模型选型

TinyML声音检测的模型选型，本质上是在精度、参数量、推理延迟、内存占用和部署平台算力之间寻找平衡点。STM32、ESP32与Arduino三大平台分别代表了MCU级、SoC级与极简开发级的不同算力梯度，同一模型在不同平台上的表现可能天差地别。本章将从模型架构演进脉络出发，系统对比DNN、CNN、TCN与轻量化Transformer在声音检测任务中的适用边界，并给出可落地的选型决策方法。

上图展示了声音检测模型选型的完整决策链路：从输入特征提取开始，经过模型架构候选池的筛选，结合轻量化技术手段，最终在具体部署平台的约束下做出选择。实际工程中，这四个环节并非线性推进，而是需要反复迭代验证。下面我们将逐一剖析各模型架构的核心原理与适用场景。

4.1 核心原理：四种模型架构的本质差异

DNN（深度神经网络）是最基础的架构，由多个全连接层堆叠而成。在声音检测任务中，DNN通常接收展平后的MFCC特征向量，通过非线性激活函数学习特征到类别的映射关系。其优势在于实现简单、推理速度快、对MCU友好；劣势在于无法有效捕捉时间序列的上下文依赖，且参数量随输入维度增长呈平方级膨胀。对于孤立词语识别或短时声音事件分类（如拍手声、咳嗽声），DNN往往已经足够。

CNN（卷积神经网络）通过卷积核在时间或频率维度上滑动，自动提取局部特征。在声音检测中，CNN通常将Mel频谱图视为"图像"，使用二维卷积同时捕捉时间与频率维度的模式。深度可分离卷积（Depthwise Separable Convolution）的引入，使得CNN的参数量大幅下降，成为TinyML声音检测的主流选择。MobileNetV1/V2、DS-CNN等架构在STM32上已有成熟部署案例。

TCN（时间卷积网络）采用因果卷积与空洞卷积（Dilated Convolution）的组合，在保持时间因果性的前提下扩大感受野。与CNN相比，TCN能更有效地建模长距离时间依赖，且训练过程比RNN/LSTM更稳定。在关键词唤醒（KWS）任务中，TCN在参数量相近的情况下，精度通常优于同规模的DNN和CNN。

轻量化Transformer将自注意力机制引入声音检测，通过多头注意力捕捉全局上下文关系。然而，标准Transformer的参数量与计算量对MCU而言过于庞大。轻量化方案包括：使用单头注意力、限制注意力窗口长度、采用线性注意力近似等。目前，Transformer在TinyML声音检测中仍处于探索阶段，仅在ESP32-S3等具备一定算力的平台上可行。

4.2 判断方法：基于平台算力的选型决策流程

选型决策应遵循"先定平台，再定模型，最后调优"的流程。具体步骤如下：

1. 明确部署平台：确定目标硬件（STM32F4、ESP32、Arduino Nano 33 BLE等），查阅其Flash、RAM、主频与是否支持FPU/DSP指令。
2. 设定性能指标：定义精度目标（如唤醒率≥95%，误唤醒率≤1次/24h）、实时性要求（如推理延迟≤50ms）、功耗预算（如平均电流≤10mA）。
3. 特征工程选择：根据平台算力决定输入特征复杂度。STM32F4可计算40维MFCC；ESP32可计算128维Mel谱；Arduino Uno（AVR）建议使用简化特征（如过零率+短时能量）。
4. 模型初筛：使用下表进行初步筛选，确定1-2个候选架构。
5. 训练与量化：在PC端训练模型，进行8bit量化，评估量化后的精度损失。
6. 板端验证：部署到目标平台，实测RAM/Flash占用、推理延迟与功耗，与指标对比。
7. 迭代优化：若不满足指标，返回第3步调整特征或模型结构，或采用剪枝、蒸馏等压缩手段。

4.3 案例拆解：STM32上的关键词唤醒模型选型实战

项目背景：某智能家居产品需要在STM32F401RE（Cortex-M4, 84MHz, 512KB Flash, 96KB RAM）上实现"小智小智"唤醒词检测，要求唤醒率≥95%，误唤醒率≤1次/天，推理延迟≤80ms。

初始方案与问题：团队最初选用TCN架构（4层空洞卷积，参数量45K），在PC端测试精度达到97.2%。但部署到STM32后，发现RAM占用高达82KB（接近极限），且推理延迟达到120ms，超出实时性要求。进一步分析发现，TCN的膨胀卷积需要缓存多帧中间特征，导致激活内存过大。

分析与决策过程：

• 瓶颈定位：通过STM32CubeMonitor分析，发现RAM占用主要来自TCN的中间特征图（每层需缓存完整时间序列），而非权重参数。
• 替代方案评估：将TCN替换为DS-CNN（3层深度可分离卷积，参数量28K），输入特征从40维MFCC降为20维MFCC（每帧25ms，步长10ms）。
• 量化与优化：使用CMSIS-NN库进行8bit量化，并启用DSP指令加速卷积运算。

结果对比：

复盘经验：TCN在精度上的微弱优势（1.1%）不足以弥补其在资源占用上的巨大劣势。在MCU级别，激活内存往往比权重参数更稀缺，选型时必须同时考虑两者。DS-CNN方案最终以96.1%的唤醒率满足了产品需求，且留有充足的内存余量用于后续功能扩展。

4.4 常见误区与总结复盘

误区一：盲目追求高精度模型。在TinyML场景中，精度提升1-2%往往需要付出数倍的资源代价。建议先以简单模型（DNN或浅层CNN）建立基线，再根据资源余量逐步升级架构。

误区二：忽略特征工程的影响。模型架构只是精度的一部分，输入特征的质量同样关键。在ESP32上，使用128维Mel谱比40维MFCC在CNN模型中能提升约3%的唤醒率，但RAM占用增加约15KB。特征选择应与模型选型同步进行。

误区三：忽视平台差异。同一模型在STM32和ESP32上的表现可能差异巨大。ESP32的240MHz双核处理器和更大的RAM（320KB）使其能运行更复杂的模型；而STM32的优势在于低功耗和实时性。选型必须结合具体产品需求。

误区四：量化后精度骤降。8bit量化通常会导致1-3%的精度损失，但某些模型（尤其是Transformer）对量化更敏感。建议在训练阶段就采用量化感知训练（QAT），而非训练后再进行后训练量化（PTQ）。