前言

最近在折腾家用AI对话的设备，唤醒设备需要唤醒词，之前还不是很懂这一块，开始还以为只要输入任意字词就能唤醒设备，但是实际操作才发现天差地别。

原理

非模型训练下的唤醒词检测

不了解的情况下，我眼中的唤醒原理：本地STT设备实时监听语音，比如设置的唤醒词为“小雨”，那么麦克风就24小时处在监听状态，监听的每一个声音都会转成文字，再对比词语中有没有包含“小雨”这两字。

这种方式光想想就很累。不光是麦克风累，本地部署STT服务的设备也很累。

模型训练下的唤醒词检测

可以理解为专门训练的唤醒词，是一个体积极小的神经网络，它只做一件事：判断当前音频片段“像不像”那个特定的词。

  • 极致的轻量化：一个典型的唤醒词模型可能只有几十KB，能在低功耗的DSP（数字信号处理器）上持续运行数月而几乎不耗电。

  • 目标极窄：它不需要听懂任何话，只需要在连续不断的音频流中，对“那个词”给出一个匹配分数。分数超过阈值，就触发唤醒；否则，音频数据直接被丢弃。

  • 专门训练才能抗干扰：唤醒词模型是用大量包含该词的语音数据（以及各种噪声、相似发音的负样本）训练出来的。它学会了在背景噪音、电视声、不同口音中，依然能准确识别出目标词，同时尽量不因“听起来有点像”的词而误触发。

两种模式的核心区别对比

为了让你更直观地理解，我把两者的关键差异整理如下：

对比维度 专门唤醒词模型 (当前主流) 完整 STT 直接检测 (开始的设想)
核心任务 只判断“是不是这个词”，输出一个概率分数 把整段语音转写成文字，再进行文本匹配
模型体积 极小（几十到几百KB） 巨大（通常几十到几百MB）
运行功耗 极低，可常年待机运行 极高，无法在电池设备上常态运行
隐私设计 默认丢弃音频，仅触发后才可能上传 默认将所有语音转文字，隐私暴露面大
误唤醒性质 模型判断“像”，偶尔出错 识别出了文字，但可能曲解了原意
支持自定义 支持有限，换词通常需重新训练或专门配置 理论上换任何词都行，但代价是必须运行 STT

唤醒词训练

目前比较主流的可以说是三种模式：

  1. 搭载GPU的云平台： Google Colab

    今天的主角，提供免费的T4 GPU，代码自备，可用性广，而且免费。

  2. 现成的专业网站： OpenWakeWord - Train Custom Wake Words for Home Assistant, Hermes Agent & More

    直观的前端界面，提供专业的一站式服务。如果自定义需求不高，有免费的Library库可直接下载使用。

  3. 搭载GPU算力的自己服务器或者云服务器自建训练模型：

    没条件，而且费时费力，不推荐

Google Colab唤醒词训练

我把文件放在：

GitHub - luuaiyan/Chinese-wakeword-Colab-training: 基于Google Colab T4训练生成ESPHome唤醒词

其实训练很简单，全程估计40分钟左右。

  1. 登陆 Google Colab

  2. 上传上述任意一个文件

  3. 选择T4 GPU

  4. 修改 Cell 1 中的 WAKE_WORD_NAME 和 TEST_VARIANTS

  5. 按顺序运行

优先推荐 Edge-TTS 方式。

最后

本来想详细写写，但是发现这个没什么技术含量，不用写什么。

而且最近折腾这个AI对话的设备，有点神经疲劳，对这种流水线项目觉得单调了点。

另外，我在准备关于这台设备的文章，中间有几个问题还没搞定，等完成后再发布。