为什么需要自定义唤醒词？

很多语音应用都需要一个固定入口，例如：

• 对智能家居说“你好管家”；
• 对机器人说“小虎机器人”；
• 在 App 中使用“开始记录”触发操作；
• 在本地工具中使用几个固定语音命令。

这类需求不需要运行完整的语音识别模型。使用 KWS（Keyword Spotting，关键词识别）模型，直接判断音频里是否出现指定关键词，模型更小，也适合持续离线运行。

自己训练 KWS 模型并不只是写几行训练代码。还需要准备多说话人语音、背景噪声、负样本、数据增强和验证集，并解决模型导出与不同平台的推理问题。

如果只是想快速给应用增加一个自定义唤醒词，可以使用听词 Voicute 在线生成模型，再把模型下载到自己的设备中离线运行。

整体流程

整个过程可以概括为三步：

输入自定义关键词
    ↓
平台自动生成数据并训练
    ↓
下载 ONNX/TFLite 模型，在本地离线推理

训练阶段在服务器完成，但训练好的模型下载以后，实时音频识别在本地设备中执行，不需要把麦克风音频持续上传到服务器。

目前支持中文、英文、日语、德语和法语关键词。

第一步：注册并输入唤醒词

打开听词平台：

https://www.voicute.com

注册并登录后，进入模型生成页面，选择关键词对应的语言，然后输入准备使用的唤醒词。

例如：

你好管家

唤醒词尽量不要太短。建议选择发音比较独特、日常对话中不经常出现的三到六个字短语。

例如“你好管家”“小虎机器人”通常比“开始”“你好”等日常高频词更容易区分。

第二步：选择模型类型

平台提供三种使用方式。

基础款

只需要输入关键词。平台自动使用多说话人合成语音和数据增强完成训练，不需要自己录音。

适合：

• 快速验证产品想法；
• 发音相对标准的关键词；
• 希望先生成模型进行测试的开发者。

语音增强款

在合成语音基础上加入约 5 段自己的真人录音。

适合：

• 方言或口音比较明显；
• 儿童或特殊发音人群；
• 基础模型对特定用户召回不足；
• 品牌词、外来词等特殊发音。

多关键词模型

将多个固定命令放进同一个模型，例如：

打开灯光
关闭灯光
调亮一点
调暗一点

适合直接用语音控制应用功能，而不仅仅是唤醒设备。

本文以基础款单关键词模型为例。

第三步：提交训练

确认语言、关键词和模型类型后，提交训练任务。

平台会自动完成：

1. 多说话人语音生成；
2. 不同语速和声学条件增强；
3. 正负样本训练；
4. 模型导出和打包。

基础模型通常约 30 分钟完成，实际时间会受到训练队列影响。训练期间不需要一直停留在当前页面，可以稍后回到“我的模型”查看状态。

第四步：在线测试并下载

训练完成后，建议先使用平台提供的测试功能检查关键词是否能够正常触发。

测试时可以尝试：

• 正常语速说 5～10 次；
• 改变与麦克风的距离；
• 换一个说话人测试；
• 播放普通对话，观察是否出现误触发。

确认效果后下载模型包。模型包通常包括关键词模型、模型配置等文件。推理时还需要使用项目提供的 melspectrogram.onnx 特征提取模型。

开源推理代码位于：

https://github.com/voicute/onnx-wakeword

第五步：使用 Python 离线运行

先克隆开源推理仓库：

git clone https://github.com/voicute/onnx-wakeword.git
cd onnx-wakeword

安装 Python 依赖：

pip install onnxruntime numpy pyaudio

把下载的模型文件和 model_info.json 放到模型目录，并确认 melspectrogram.onnx 路径正确。

然后加载模型并启动麦克风监听：

from python.wakeword_engine import WakeWordEngine

engine = WakeWordEngine()

engine.load(
    "models/model_info.json",
    "models/melspectrogram.onnx"
)

# 启用基础连续帧过滤，减少瞬时噪声触发
engine.set_L1(True)

def on_detected(word, probability, info):
    print(f"检测到关键词：{word}，置信度：{probability:.2f}")

engine.start(on_detected)

运行程序后，对着麦克风说刚才生成的关键词。如果识别成功，回调函数会返回关键词和概率。

之后可以把回调接入自己的业务逻辑：

def on_detected(word, probability, info):
    if word == "你好管家":
        start_voice_assistant()

模型推理在本地完成，不需要在运行时调用在线识别 API。

还能部署到哪些平台？

同一套模型和配置可以根据项目需要接入不同运行环境：

平台	推理方式	适用场景
Python	ONNX Runtime	Windows、Linux、macOS、树莓派
Android	ONNX Runtime Android	App、平板、智能终端
Web	ONNX Runtime Web / WASM	浏览器语音控制、在线工具
ESP32-S3	TFLite Micro	智能开关、语音遥控器、IoT
Home Assistant	Wyoming 服务	本地智能家居语音助手

各平台的示例代码都可以在 onnx-wakeword 仓库中找到。

使用时需要注意什么？

1. 唤醒词不要太常见

“好的”“开始”“你好”等词很容易出现在普通对话中，可能增加误触发。最好使用发音独特的组合短语。

2. 必须在目标设备上测试

手机麦克风、USB 麦克风和嵌入式 I2S 麦克风的效果可能不同。模型在电脑上测试正常，不代表换到远场设备后仍然完全相同。

3. 召回和误触发需要平衡

阈值过高可能导致叫不醒，阈值过低可能增加误触发。不要只测试几次正样本，还要播放普通语音和环境声音。

4. 特殊发音可以加入真人录音

如果基础模型对口音、儿童声音或品牌词识别不足，可以使用语音增强版本加入约 5 段真实录音，补充合成语音没有覆盖的发音特征。

总结

自定义唤醒词的完整流程不一定需要自己搭建训练环境。

通过听词平台可以完成：

输入关键词
→ 自动训练
→ 在线测试
→ 下载 ONNX/TFLite
→ 在自己的设备上离线运行

这种方式比较适合希望快速验证语音唤醒、固定命令词和本地语音控制功能的开发者。

模型生成平台：

https://www.voicute.com

开源推理代码：

https://github.com/voicute/onnx-wakeword

完整技术文档：

https://www.voicute.com/docs