在智能硬件实验室的端侧语音方向上，我们把唤醒词检测作为一项长期实验课题：目标是在百毫瓦级功耗预算内，让设备在真实家居噪声中稳定触发。
做法上，模型采用轻量卷积与注意力混合结构，输入为 16kHz 单通道、40 维 log-Mel 特征，帧长 25ms、步长 10ms；训练数据由 8 类家居噪声（油烟机、电视、婴儿哭闹等）与 120 人远场录音加噪混合，正负样本比约 1:12。为抑制误唤醒，后处理引入两段式判决：先对帧级打分做滑窗平滑，再用小型验证模型对候选片段二次确认，只有前者连续超阈且后者通过时才上报唤醒事件。
阶段性结果：在自建 300 小时测试集上，安静环境唤醒率 97.6%，5dB 信噪比下 92.1%，每小时误唤醒由 1.4 次降至 0.3 次；模型 int8 量化后占用 78KB RAM、单帧推理 0.6ms，可运行于 Cortex-M4 级 MCU。
下一步将验证跨麦克风阵列的一致性，测试扬声器自噪声下的双讲抑制效果，并把线上误唤醒样本回流纳入迭代流程。
评论