本文作者围绕语音唤醒功能，从其应用有哪些、工作原理是什么、怎样训练一个唤醒模型、如何测试等方面展开了详细地讨论。
“Hi siri”、“天猫精灵”、“小爱同学”，我们生活中常常会叫到这些名字，让她们来帮我们完成一些指令，这个过程就像叫某人帮你做某事的感觉。
而这个叫名字的过程，就是我们今天要聊的语音唤醒。
一、什么是语音唤醒语音交互前，设备需要先被唤醒，从休眠状态进入工作状态，才能正常的处理用户的指令。
把设备从休眠状态叫醒到工作状态就叫唤醒，我们常见的有触摸唤醒（锁屏键），定时唤醒（闹钟），被动唤醒（电话）等，而语音唤醒就是——通过语音的方式将设备从休眠状态切换到工作状态。
语音唤醒（keyword spotting）：在连续语流中实时检测出说话人特定片段。
可能有长得好看的同学就要问了，我让他一直保持工作状态不可以吗？工作状态的设备会一直处理自己收到的音频信息，把不是和自己说话的声音也当作有效信息处理，就会导致乱搭话的情况。
而语音唤醒就成功的避开了这个问题，在只有用户叫名字的时候工作，其他时间休眠。
其实到底是否需要语音唤醒这个能力，也是看场景的，有些廉价的玩具，就是通过按住按钮进行语音交互的。
二、语音唤醒的应用有哪些语音唤醒目前的应用范围比较窄，主要是应用在语音交互的设备上面，用来解决不方便触摸，但是又需要交互的场景。
生活中应用的最好，就应该是智能音箱了，每个品牌的智能音箱都有自己的名字，我们通过音箱的名字唤醒她，和她进行交互，控制家电。
其次就是手机，目前大部分手机都配有手机助手，从苹果最早的siri到现在的“小爱同学”，让我们实现了即使不触碰手机，也可以实现一些 *** 作。
还有一些服务类型的机器人，也会用到语音唤醒。
不过一般机器人会采用多模态的唤醒能力，他会结合语音唤醒、人脸唤醒、触摸唤醒、人体唤醒等多个维度的信息，在合适的时候进入工作状态。
三、语音唤醒的工作原理是什么语音唤醒能力主要依赖于语音唤醒模型（下称“唤醒模型”），是整个语音唤醒核心。
唤醒模型主要负责在听到唤醒词后马上切换为工作状态，所以必须要实时监测，才能做到听到后及时反馈。
由于需要实时响应，以及唤醒模型对算力要求不高等方面原因，一般唤醒模型是做在本地的（区别于云端的ASR识别）。
这就是我们即使没有联网，你叫“小爱同学”，她也会答应你的原因。
唤醒模型的算法经过了三个阶段的发展：1. 基于模板匹配用模板匹配的方法来做唤醒模型，一般会把唤醒词转换成特征序列，作为标准模板。
然后再把输入的语音转换成同样的格式，使用DTW （dynamic time warping）等方法，计算当前音频是否和模版匹配，匹配则唤醒，不匹配则继续休眠。
简单理解就是找到唤醒词的特征，根据特征制定触发条件，然后判断音频内容是否满足触发条件。
2. 基于隐马尔可夫模型用隐马尔可夫模型来做唤醒模型，一般会为唤醒词和其他声音分别建立一个模型，然后将输入的信号（会对音频信息进行切割处理）分别传入两个模型进行打分，最后对比两个模型的分值，决定是该唤醒，还是保持休眠。
简单理解就是分别对唤醒词和非唤醒词作了一个模型，根据两个模型的结果对比，决定是否唤醒。
3. 基于神经网络用神经网络来做唤醒模型，可以分为多种：有将模版匹配中的特征提取，改为神经网络作为特征提取器；也有在隐马尔可夫模型中，某个步骤使用神经网络模型的；还有基于端到端的神经网络方案。
凡是用到神经网络原理的，都可以说是基于神经网络的方案。
其实唤醒模型工作原理很简单，就是一直在等一个信号，等到这个信号就切换到工作状态，只是判断信号的内部逻辑不同而已。
四、如何训练一个唤醒模型一般训练语音唤醒模型大概需要四个步骤，包括：1. 定义唤醒词首先我们需要定义一个唤醒词：定义唤醒词也是有讲究的，一般会定义3-4个音节的词语作为唤醒词。
像我们常见的“天猫精灵”、“小爱同学”、“小度小度”，全部都是4个音节，由于汉语的发音和音节的关系，你也可以简单的把音节理解为字数。
唤醒词字数越少，越容易误触发；字数越多，越不容易记忆——这也是一般定义在4个字的原因。
另外这3-4个字要避开一些常见的发音，避免和其他发音出现竞合，要不然会频繁的误唤醒。
一般唤醒词会做这样一个处理，就是唤醒词中的连续3个字也可以唤醒，比如你喊“小爱同”，同样可以唤醒你的小爱同学。
这是为了提高容错率所做设定的规则。
2. 收集发音数据然后就需要收集这个唤醒词的发音，理论上来说发音人越多、发音场景越丰富，训练的唤醒效果越好。
一般按照发音人数和声音时长进行统计，不同的算法模型对于时长的依赖不一样。
基于端到端神经网络的模型，一个体验良好的唤醒词可能需要千人千时，就是一千个人的一千个小时。
收集唤醒词发音的时候，一定要注意发音的清晰程度，有时候甚至要把相近的音也放到训练模型中，防止用户发音问题导致无法进行唤醒。
如果用户群体庞大，甚至考虑该唤醒词在各种方言下的发音。
3. 训练唤醒模型数据都准备好了，就到了训练模型的阶段了，这里常见的算法有：基于模板匹配的KWS基于马尔可夫模型的KWS基于神经网络的方案这三种方案对比如下：4. 测试并迭代最后就是测试并上线，一般分为性能测试和效果测试，性能测试主要包括响应时间、功耗、并发等，这个一般交给工程师来解决。
产品会更关注效果测试，具体的效果测试我们会考虑唤醒率、误唤醒率这两个指标，后面的测试环节我们会详细测试的流程和指标。
产品上线后，我们就可以收集用户的唤醒数据，唤醒词的音频数据就会源源不断。
我们需要做的就是对这些唤醒音频进行标注、收集badcase，然后不断的进行训练，再上线，就是这么一个标注、训练、上线的循环过程。
直到边际成本越来越高的时候，一个好用的唤醒模型就形成了。
五、语音唤醒怎么测试语音唤醒测试最好是可以模拟用户实际的使用场景进行测试，因为不同环境可能实现的效果不一样。
比如：常见各个厂商说自己的唤醒率99%，很可能就是在一个安静的实验室环境测试的，这样的数字没有任何意义。
这里说到的场景主要包括以下几点：周围噪音环境、说话人声音响度、以及说话距离等。
测试的条件约束好，我们就要关心测试的指标了，一般测试指标如下：1. 唤醒率唤醒词被唤醒的概率，唤醒率越高，效果越好，常用百分比表示。
在模拟用户使用的场景下，多人多次测试，重复的叫唤醒词，被成功唤醒的比就是唤醒率。
唤醒率在不同环境下，不同音量唤醒下，差别是非常大的。
用25dB的唤醒词测试，在安静场景下，3米内都可以达到95%以上的唤醒率，在65-75dB噪音场景下（日常交谈的音量），3米内的唤醒率能够达到90%以上就不错了。
所以看到各家唤醒率指标的时候，我们要意识到是在什么环境下测试的。
2. 误唤醒率非唤醒词被唤醒的概率，误唤醒率越高，效果越不好，常用24小时被误唤醒多少次表示。
在模拟用户使用的场景下，多人多次测试，随意叫一些非唤醒词内容，被成功唤醒的比就是误唤醒率。
如果误唤醒率高，就可能出现你在和别人说话，智能音箱突然插嘴的情况。
3. 响应时间用户说完唤醒词后，到设备给出反馈的时间差，越快越好。
纯语音唤醒的响应时间基本都在0.5秒以内，加上语音识别的响应时间就会比较长，我们下章再讨论。
4. 功耗唤醒系统的耗电情况，对于电池供电的设备，越低越好。
一般插电使用的音箱还好，对功耗的要求不是很严格。
但是像手机、儿童玩具等产品，由于是电池供电，对功耗的要求较高。
siri是iphone4s就有的语音助手，但直到iphone6s的时候，才允许不接电源下直接通过语音唤醒siri，当时就是考虑功耗的原因。
六、语音唤醒的其他内容1. 唤醒后的反馈我们通过唤醒词唤醒设备后，需要一个及时的反馈，来提醒我们唤醒成功，这就要考验产品的设计功力了。
一般会有两个可感知的层面上进行提示，一个是听觉方面，一个是视觉方面（暂不考虑震动）。
听觉方面的反馈，又分为两种：语音回复一般常见的有“在的”、“嗯嗯”、“来了”等，都是一些简短的回复，表示已经听到。
这几句TTS的内容需要仔细打磨，反复调试，才能达到一个理想的效果，建议不要超过1秒。
声音提示往往是在语音回复之后，提示用户可以进行语音交互了，一般都是一个简短的音效，之后就开始收音了。
视觉方面的反馈，也可以分为两种：灯效反馈常见于智能音箱的产品上面，他们没有屏幕，但是也需要在视觉上提示用户，一般不同颜色的灯效，表示机器不同的状态，是有明确的产品定义的。
屏幕反馈可以做的事情就比较多了，可以根据自己产品的需求，设计提示的强度，是d出浮窗，还是d出页面，根据不同的应用场景来设计，这里就不展开讨论了。
还有一种情况，中间是不需要反馈的，比如“天猫精灵，打开灯”这样一气呵成的唤醒+交互，我们只需要执行相应的指令，并给出最后执行结果的反馈即可。
2. 自定义唤醒词随着语音交互的普及，逐渐衍生出一些个性化的需求，大家开始给自己的设备起一个专属的名字，这就是自定义唤醒词。
自定义唤醒词一般会打包成一个输入框提供给用户，用户只需要在框内按照我们的提示填写内容即可，在这里我们可能需要注意以下几点：唤醒词要有明确的字数限制，比如3-6个字；需要检测填写的唤醒词是否含有多音字，并进行提示，或支持注音修改；是否替换默认唤醒词，有时需要新加的唤醒词替代默认唤醒词，有时可能是并存的；自定义唤醒词的质量要高，就是前面说过的，相邻的音节要规避，音节要清晰。
3. 功耗和唤醒率的权衡还有一个技术上面的问题，就是唤醒的效果要在功耗之间达到一个平衡。
一般在电池供电的产品上，需要有专门控制语音唤醒的独立硬件，来平衡效果和功耗，达到一个相对理想的水平。
4. 唤醒模型的动态调整之前就听说过亚马逊音箱半夜被周围噪音误唤醒，然后给一些莫名其妙的回复。
想想晚上睡着了，然后音箱突然自言自语，想想就比较恐怖。
为了应对这种问题，我们可以动态调整音箱的唤醒阈值，比如正常的阈值是0.9以上进行唤醒，那么晚上可以根据应用场景，设置为0.8以上唤醒，具体还要看场景和模型的效果。
七、总结整个过程需要先定义唤醒词，再根据实际场景选择模型，收集数据，最后上线迭代。
随着产品的用户越来越多，训练数据越来越大，整个唤醒模型进入一个正向循环，再考虑支持自定义唤醒词的能力。
语音唤醒作为语音交互的前置步骤，主要负责判断什么时候切换为工作状态，什么时候保持休眠状态，而这个判断依据就是语音信息。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）