当你开始做语音产品

做语音产品的软件层，迟早会碰到两个概念：

关键词识别（KWS，Keyword Spotting），也叫唤醒词识别——设备在待机状态下持续监听，只判断"某个特定词有没有出现"。比如你说"Hey Siri"，手机从休眠中被唤醒。它的特点是模型极小（几百KB 级），功耗极低，可以常年驻留。

自动语音识别（ASR），通用对话引擎——唤醒后，把你说的话完整转成文字。比如唤醒后说"今天天气怎么样"，ASR 开始工作。它的特点是模型大（50MB 起步），功耗高，不需要常年开。

一个常见的语音产品架构是 KWS 守门 + ASR 干活：KWS 常年低功耗监听一个唤醒词 → 唤醒后启动 ASR 做自由对话 → 对话结束，ASR 休眠，KWS 继续守门。

也有场景不需要 ASR——比如智能开关只要听懂"开灯"“关灯”，一个 KWS 模型就搞定了。

无论哪种路线，你首先需要一个唤醒词/关键词识别方案。下面就盘一下市面上有哪些选择。

三种路线

做语音唤醒，市面上的方案看着多，其实就三类：

路线	一句话
硬件模组	买块带语音芯片的板子，配置一下唤醒词，烧进去就能用
授权方案	大厂 SDK，技术强，但绑定平台，按设备或 License 收费
自训练	自己或平台训模型，导出 ONNX，想跑哪跑哪

下面分别展开。

一、硬件模组：买来就能用

主流方案

方案	特点	价格
海凌科 HLK-V20	成熟爆款，150 条命令词，用户自行配置	¥5-10/片
海凌科 HLK-V51	离在线一体，BLE 蓝牙，支持 OTA	¥10-15/片
涂鸦 ASR PRO	天问 Block 图形化编程，对接涂鸦 AI Agent	¥15-25/片
机芯智能 SmartPI	CI-73T/SU-03T，网页端配置	¥10-20/片
启英泰伦	提供 SDK，可自训声学模型	¥15-30/片

优势

• 零代码。 网页上填唤醒词、命令词，生成固件，烧录，完事
• 便宜。 几块钱一片，批量无敌
• 开箱即用。 不需要懂 KWS、不需要懂 ONNX

劣势

• 绑定芯片。 海凌科的固件只能跑在海凌科的模组上，换芯片全部重来
• 需要硬件能力。 你得设计 PCB、选麦克风、算 BOM、过 EMI，不是纯软件的事
• 改版成本高。 产品迭代换芯片品牌？唤醒词重新适配
• 推理能力受限。 模组芯片的算力天花板就在那，复杂场景撑不住

适合： 大批量硬件产品（智能开关、86 盒、小家电），硬件团队到位，芯片选好了就不换了。

二、授权方案：大厂 SDK，技术强但绑定

主流方案

方案	出口	定价
百度 AI	WakeUp.bin（绑定百度 SDK）	免费，每月 3 次导出
讯飞	SDK 集成	商务咨询
思必驰	SDK + 离线 License	商务咨询
Porcupine	.ppn（绑定 License）	$0.5-2/设备

优势

• 技术强。 大厂的声学模型和工程化能力没得说
• SDK 成熟。 文档好，有技术支持，集成相对省心
• 效果可控。 思必驰 5 米 95% 唤醒率，Porcupine 精度也不错

劣势

• 封闭。 给你的是 SDK 或 .bin 文件，不是标准 ONNX。不能换引擎、不能二次训练、不能拿到其他平台跑
• 绑定。 Porcupine 按设备计费，一个 License 激活一台。讯飞/思必驰商务对接，小客户没议价能力
• 在线激活折腾。 Porcupine 首次需要在线激活，离线场景不方便。思必驰离线 License 也要找商务
• 小批量不友好。 做 200 个设备的客户，打电话过去人家不一定理

适合： 中大型客户，有预算，产品量大，生态锁定也能接受。

三、自训练方案：不绑定，但训练是门槛

开源训练框架

方案	出口	价位
openWakeWord	ONNX / TFLite	免费
WeKws	ONNX	免费
nanoWakeWord	ONNX	免费

优势

• 不绑定任何平台。 导出标准 ONNX，想在哪跑在哪跑
• 完全可控。 训练参数、数据增强、模型结构全由你
• 免费。 Apache 2.0，商用随意

劣势

• 训练门槛高。 需要 Python、PyTorch、GPU、调参经验。openWakeWord 要你懂 TTS 数据生成和噪声增强，WeKws 文档偏学术
• 出活慢。 从环境搭建到训出勉强能用的模型，半天到一天起步。再调参优化，几天没了
• 没人在线帮你训。 训砸了只能自己 debug

在线训练平台——降低自训门槛

不想折腾训练环境的，可以用在线平台。输入关键词，后台自动训，输出 ONNX 模型。

国内：

平台	出口	价位
听词 Voicute	ONNX	¥39-99/次

两个版本：基础款（纯 TTS 合成训练）和人声增强款（TTS + 真人录音混合训练）。后者解决了 TTS 口音泛化的问题——用户录音 10 句话，混入训练集，召回率从 ~50% 提到 90%+。

国外：

平台	出口	价位
Outspoken	ONNX + TFLite	€9/3 个模型

首个免费，英语/荷兰语/德语/法语。集成了 Home Assistant，欧洲社区获客。

这些平台的共同点：你拿到的是标准 ONNX 文件，接上推理引擎就能跑。不绑定芯片、不按设备收费、想部署多少设备就部署多少。

搭配推理引擎：onnx-wakeword

拿到 ONNX 模型后，推理可以用 onnx-wakeword——Apache 2.0 开源，跨 Android/Linux/ESP32/Web 四平台，内置 Mel 频谱提取和五层防误触检测。

openWakeWord / WeKws / 听词 这些方案产出的 ONNX 模型，都可以直接用它跑。它本身不训练，只做推理，是部署层的共用工具。

怎么选：三句话

想买成品 → 硬件模组。 你有硬件团队，产品量大，芯片选好了就不换。海凌科/涂鸦/机芯智能挑一个，几块钱一片。

有硬件、只想加语音 → 看量。 量大选大厂 SDK（思必驰/讯飞），量小选自训练方案（openWakeWord / 听词）。大厂按设备收费不划算，自训练的 ONNX 不绑定平台。

不想折腾 → 在线平台 + onnx-wakeword。 输入关键词拿 ONNX，开源引擎直接跑。¥39-99 一次，没有后续费用。

没有通吃的方案。想清楚你的量、你的硬件、你愿不愿意写代码，三条路就清楚了。