工业现场的语音交互，难点不在识别模型本身，而在信噪比。我们在冲压与注塑车间做了两组实测：稳态噪声约 78–85 dB(A)，瞬时冲击可达 95 dB(A)。直接调用通用语音识别接口，3 米远场指令字准约 62%；换成 4 麦环形阵列，并在前端加波束成形与谱减降噪后，字准升到 89% 左右，误唤醒约每天 1.2 次。
目前做法分三层：
- 唤醒层：用现场噪声作负样本重训唤醒词，把「报工」「急停确认」等工业词纳入词表，压低相似音误触发；
- 识别层：不动大模型，只在解码端挂约 200 条专业词偏置表（设备编号、工序名、缺陷类型），专有名词错误明显下降；
- 交互层：凡涉及写操作的指令，一律要求语音二次复述确认，避免噪声造成误执行。
下一步是把语音、手套触屏与扫码枪做优先级仲裁——现场并非每个工序都适合说话，得先弄清哪些环节语音确实比按键快。
评论