车间噪声下语音指令识别的阶段性实验进展

车间语音交互的价值在于解放操作工双手，但工业噪声是首要障碍。近期语音交互实验室围绕嘈杂产线场景开展语音指令识别实验，重点验证前端降噪与轻量识别模型组合方案的可行性。
实验在噪声强度约85至95分贝的机加车间采集真实数据，构建了约30小时的车间噪声混合语音测试集，覆盖设备运行、金属撞击与多人交谈等典型干扰。方案采用两段式架构：前端以深度学习降噪模型抑制稳态噪声，后端用轻量ASR模型在边缘设备上离线运行，不依赖外网。
阶段性结果：

• 在90分贝左右的稳态噪声下，预设指令词的唤醒与识别准确率由基线约82%提升至94%，误唤醒次数明显下降；
• 连续自然语句的字错率仍偏高，主要受金属撞击等瞬态噪声影响。

下一步将扩充瞬态噪声样本，尝试降噪与识别的联合训练，并在小范围产线开展为期一个月的实测，验证长时间运行稳定性。