语音唤醒

语音唤醒 KWS 负责判断用户是否说出了指定唤醒词。它通常常驻端侧运行，是语音系统的入口门控。唤醒做得不好，后面的 ASR 和对话模型再强也没有机会工作。

唤醒模型到底在判断什么

KWS 不需要完整理解一句话，它只判断一小段连续声音是否像唤醒词。模型通常会把音频切成连续帧，提取频谱特征，再输出“当前窗口像唤醒词的置信度”。

可以把唤醒过程拆成四步：

步骤	作用	容易出错的点
前处理	把噪声、回声、音量波动压到可控范围	AEC 不好会把音乐当成唤醒线索
VAD	判断是否有人声活动	太敏感会被噪声触发，太保守会漏轻声
KWS 打分	判断音频窗口像不像唤醒词	口音、儿童声、相似词影响置信度
确认逻辑	多帧、多阶段或二级模型确认	确认太弱误唤醒，确认太强漏唤醒

阈值不是越低越好

唤醒阈值决定“置信度达到多少才开门”。阈值越低，用户更容易唤醒设备，但日常聊天、电视声、相似词也更容易误触发；阈值越高，误唤醒减少，但远场、轻声、儿童声和噪声下更容易漏唤醒。

调整方向	收益	代价
降低阈值	提高唤醒率，远场更容易响应	误唤醒增加
提高阈值	降低误唤醒	漏唤醒增加
加二级确认	降低误唤醒	延迟和算力增加
加场景阈值	不同噪声、音量下更稳	标定和维护复杂

真实产品通常不会只有一个固定阈值。播放音乐、车速较高、夜间安静、儿童模式等场景，可以使用不同阈值或不同确认策略。

唤醒词设计

好的唤醒词要让模型容易区分，也要让用户自然愿意说。

设计点	原因
不宜太短	两个字容易和日常词、电视声重叠
不宜太长	用户负担大，模型窗口变长，响应变慢
音节要有区分度	清晰辅音和节奏变化有利于模型区分
避免高频日常词	常用词会显著增加误唤醒
覆盖口音和儿童声	真实用户不会都按标准播音腔发音

唤醒词不是只看发音，也要看品牌名、产品名和使用场景。一个营销上顺口的名字，未必是一个算法上容易识别的唤醒词。

训练数据怎么组织

唤醒数据要同时覆盖正样本和负样本。正样本决定“用户怎么喊能唤醒”，负样本决定“什么声音不能唤醒”。

数据	覆盖内容
正样本	不同年龄、性别、口音、音量、距离、角度
相似负样本	与唤醒词音节接近、节奏接近的词和句子
场景负样本	电视、音乐、短视频、聊天、儿童玩耍
播放干扰	设备自播音乐或 TTS 时的唤醒词和非唤醒词
设备数据	真实麦克风、真实结构、真实前处理输出

只用干净录音训练，模型容易在实验室表现很好，到了客厅、车内和会议室就明显退化。

多阶段唤醒

低功耗设备经常使用多阶段唤醒：

阶段	位置	特点
一级唤醒	DSP 或低功耗 MCU	常开运行，模型小，功耗低
二级确认	主芯片或更大模型	复核一级结果，降低误唤醒
声纹确认	可选	判断是否为授权用户或特定家庭成员

多阶段的目标是让“常开部分”足够省电，让“确认部分”足够可靠。代价是链路更长，首响延迟更难压低。

唤醒后缓存

用户经常连续说：“你好设备，打开客厅灯。”如果系统等唤醒成功后才启动 ASR，后半句开头可能已经过去。解决办法是维护环形音频缓存，把唤醒词前后一小段音频保留下来，唤醒后一起交给 ASR。

缓存太短会吞字，缓存太长会把唤醒词和背景噪声一起送进 ASR。具体长度要看唤醒词时长、ASR 启动时间和端点检测策略。

声纹不要当唯一安全凭证

声纹可以用于个性化和轻量身份判断，但不适合作为高风险操作的唯一凭证。录音重放、环境噪声、感冒、年龄变化都会影响声纹稳定性。支付、开门、隐私数据查询等操作，应结合账号、设备状态、二次确认或其他认证方式。

验收方式

指标	怎么看
唤醒率	正确喊唤醒词时是否能唤醒
误唤醒率	长时间背景音中是否被错误唤醒
漏唤醒率	真实用户喊了却没响应的比例
首响延迟	唤醒词结束到设备反馈的时间
播放干扰唤醒	音乐、TTS、电视声下能否稳定唤醒
场景分布	不同设备、房间、车速、年龄是否均衡

误唤醒不能只测几分钟。真实产品需要长时间背景音和线上反馈闭环，否则很难发现低频但严重的误触发。

总结

唤醒算法的核心是“置信度分布和阈值取舍”。训练数据、前处理、确认策略、缓存和场景阈值共同决定最终体验。调唤醒不能只盯唤醒率，还要同时看误唤醒、漏唤醒、首响延迟和播放干扰。