“小爱同学，定来日诰日早上8点的闹钟。
”“好的，已经帮你定好来日诰日早上8点的闹钟”

不少同学家里都有AI智能音箱产品，例如天猫精灵、小爱同学、小度等等。
这些智能音箱不仅便捷了我们的日常生活，也由于他们或机警或逗比的回答，给用户带来了不少欢快。

这些智能产品中的一项主要的AI能力，就叫做语音唤醒。

首先，设备开启并自动加载好资源，这时它处于休眠状态。
然后，当用户说出特定的唤醒词时，设备就会被唤醒，切换到事情状态等待用户接下来的指令。

这一过程中用户不须要用手打仗，直接可以用语音进行操作，同时利用语音唤醒的机制，设备不用实时地处于事情的状态，从而节省能耗。

语音唤醒的运用领域比较广泛，例如机器人、手机、可穿着设备、智能家居、车载等。
险些很多带有语音功能的设备，都会须要语音唤醒技能作为人和机器互动的一个开始或入口。
不同的产品会有不同的唤醒词，当用户须要唤醒设备时须要说出特定的唤醒词。

语音唤醒在学术上被称为keyword spotting(简称KWS)，吴老师给它做了一个定义：在连续语流中实时检测出说话人特定片段。

这里要把稳，检测的“实时性”是一个关键点，语音唤醒的目的便是将设备从休眠状态激活至运行状态，以是唤醒词说出之后，能急速被检测出来，用户的体验才会更好。

那么，该若何评价语音唤醒的效果呢？通畅的指标有四个方面，即唤醒率、误唤醒、相应韶光和功耗水平：

➤唤醒率，指用户交互的成功率，专业术语为召回率，即recall。

➤误唤醒，用户未进行交互而设备被唤醒的概率，一样平常按天打算，如最多一天一次。

➤相应韶光，指从用户说完唤醒词后，到设备给出反馈的韶光差。

➤功耗水平，即唤醒系统的耗电情形。
很多智能设备是通过电池供电，须要知足永劫续航，对功耗水平就比较在意。

经由永劫光的发展，语音唤醒的技能路线大致可归纳为三代，特点如下：

第一代：基于模板匹配的KWS

演习和测试的步骤比较大略，演习便是依据注册语音或者说模板语音进行特色提取，构建模板。
测试时，通过特色提取天生特色序列，打算测试的特色序列和模板序列的间隔，基于此判断是否唤醒。

第二代：基于HMM-GMM的KWS

将唤醒任务转换为两类的识别任务，识别结果为keyword和non-keyword。

第三代：基于神经网络的方案

神经网络方案又可细分为几类，第一类是基于HMM的KWS，同第二代唤醒方案不同之处在于，声学模型建模从GMM转换为神经网络模型。
第二类融着迷经网络的模板匹配，采取神经网络作为特色提取器。
第三类是基于端到真个方案，输入语音，输出为各唤醒的概率，一个模型办理。

语音唤醒的难点

语音唤醒的难点，紧张是低功耗哀求和高效果需求之间的抵牾。

一方面，目前很多智能设备采取的都是低端芯片，同时采取电池供电，这就哀求唤醒所花费的能源要尽可能的少。

另一方面，用户对体验效果的追求越来越高。
目前语音唤醒紧张运用于C端，用户群体广泛，且要进行大量远场交互，对唤醒能力提出了很高哀求。

要办理两者之间的抵牾，对付低功耗需求，我们采取模型深度压缩策略，减少模型大小并担保效果低落幅度可控；而对付高效果需求，一样平常是通过模型闭环优化来实现。
先供应一个效果可用的启动模型，随着用户的利用，进行闭环迭代更新，全体过程完成自动化，无需人工参与。

语音唤醒的运用领域十分广泛，紧张是C端产品，比如机器人、音箱、汽车等。
比较有代表性的运用模式有如下几种：

➤传统语音交互：先唤醒设备，等设备反馈后（提示音或亮灯），用户认为设备被唤醒了，再发出语音掌握命令，缺陷在于交互韶光长。

➤One-shot：直接将唤醒词和事情命令一同说出，如“叮咚叮咚，我想听周杰伦的歌”，客户端会在唤醒后直接启动识别以及语义理解等做事，缩短交互韶光。

➤Zero-shot：将常用用户指定设置为唤醒词，达到用户无感知唤醒，例如直接对车机说“导航到科大讯飞”，这里将一些高频前缀的说法设置成唤醒词。

➤多唤醒：紧张知足用户个性化的需求，给设备起多个名字。

➤所见即所说：新型的AIUI交互办法，例如用户对车机发出“导航到海底捞”指令后，车机上会显示“之心城海底捞”“银泰城海底捞”等选项，用户只需说“之心城”或“银泰城”即可发出指令。