“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。
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。
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，也可以实现一些操作。
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。
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：
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。
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。
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。
一般训练语音唤醒模型大概需要四个步骤，包括：
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。
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。
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：
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。
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：
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。
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。
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。
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。
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，是弹出浮窗，还是弹出页面，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。
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。
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。
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。
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。
