# 自定义多唤醒词：怎么把多个唤醒词合到一个模型里

## 一个产品，三个唤醒词

做智能音箱的时候遇到了一个问题：产品名叫"小娜"，但用户不会只喊一个名字。

有人喊"小娜"，有人喊"你好小娜"，有人喜欢喊"小娜小娜"。三个都是自然叫法，你不能要求用户改习惯。但一个模型只能识别一个唤醒词——这是很多人对 KWS 的默认认知。

于是开始想办法。三个唤醒词，训三个模型，串行推理。128KB × 3 = 384KB。手机上跑三次，勉强能忍。ESP32 上——SRAM 直接装不下。

后来发现想多了。**多唤醒词可以合训成一个模型。** 135KB，一次推理，三个词全在里面。

这篇文章聊聊怎么自定义一组唤醒词、合训成一个模型、以及实际效果怎么样。

## 为什么需要多唤醒词

单唤醒词够用的场景不多。大多数产品天然需要多个唤醒入口：

**不同用户习惯不同。** 有人喜欢两个字"小娜"，有人习惯在前面加"你好"，有人觉得叠词"小娜小娜"更自然。三个词覆盖所有用户习惯，一个词只能覆盖一部分。

**不同场景用不同词。** 近距离安静环境下"小娜"就行，远场嘈杂时"小娜小娜"双音节发音更长、声学特征更丰富，识别更稳。

**家庭成员各有名字。** 智能中控屏，爸爸喊"小迪小迪"，妈妈喊"小鹿小鹿"，小孩喊"小云"。各自叫各自的名字，互不干扰。

**分级权限。** 管理员唤醒词和普通用户唤醒词是分开的。喊管理员词能改设置，喊普通词只能操作。这在安防场景特别有用。

## 怎么合训：三个字概括——"一起练"

训练流程跟单唤醒词基本一样，区别只有一个：**输入多个词，逗号分隔。**

```
训练命令：
--words "小娜,你好小娜,小娜小娜" --epochs 60
```

背后发生的事情：系统自动用 TTS 合成三个词的正样本，混合负样本目录的噪声数据，训练一个共享 Backbone + 三个独立分类头的模型。

```
Mel 频谱
    │
    ▼
┌──────────────┐
│  共享 Backbone │  ← 只算一次，23K 参数
│  提取声学特征   │
└──────┬───────┘
       │
 ┌─────┼─────┬─────┐
 ▼     ▼     ▼
"小娜" "你好 "小娜
       小娜" 小娜"
───────────────────
三个词，一次推理，三个概率
```

**关键设计：共享 Backbone + 独立分类头。**

Backbone 负责把音频转成特征向量——三个唤醒词都要做的底层工作，只训一次。每个词只挂一个微型分类头，不到 800 个参数，独立判断自己的那个词。

推理的时候 Backbone 只跑一遍，三个头同时出结果。

## 效果怎么样

以"小娜 / 你好小娜 / 小娜小娜"为例：

| 指标 | 数值 |
|------|------|
| 模型体积 | **135 KB** |
| 总参数 | **~25K** |
| 推理方式 | 1 次前向传播出 3 个概率 |
| 小娜召回率 | ~82% |
| 你好小娜召回率 | ~85% |
| 小娜小娜召回率 | ~80% |
| 跨词误触发 | **< 0.5%** |

对比如果训三个独立模型：

| | 三个独立模型 | 一个多唤醒词模型 |
|---|---|---|
| 总参数 | 75K | **25K** |
| 总体积 | 384KB | **135KB** |
| 推理次数 | 3 次 | **1 次** |
| 跨词误触 | 需要后处理抑制 | **特征空间天然互斥** |

参数少 3 倍，体积小 3 倍。更重要的是**跨词误触几乎为零**——因为三个词的分类头共享同一个 Backbone，训练时梯度相互推远，特征空间里天然互斥。

## 选词也有讲究

选一组唤醒词不是随便挑的。几个经验：

**词之间要有区分度。** "小娜""你好小娜""小娜小娜"这组词——"小娜"是"你好小娜"和"小娜小娜"的子串。理论上容易串，但共享 Backbone 训练时会把子串关系在特征空间里显式推开，实测跨词误触 < 0.5%。

**如果可能，选词尽量有发音差异。** "小娜"和"小呐"——声母韵母一样，只差声调，区分难度大。但如果你的场景确实需要这样一对近音词（比如四川话和普通话各一个），加真人录音做数据增强是最好的解法。

**词长控制在 2-6 个字。** 太短区分度不够，太长用户说不完。3-4 个字最优。

**一组词的量控制在 10 个以内。** 理论上可以更多，但实际场景中用户也记不住 15 个唤醒词。

## 不只是唤醒词

多唤醒词模型跟多命令词模型是同一种技术。区别只在于用法：

| | 多唤醒词 | 多命令词 |
|---|---|---|
| 数量 | 2-5 个 | 3-10 个 |
| 作用 | 激活设备 | 触发具体动作 |
| 之后 | 可能接 ASR | 直接执行 |
| 举例 | 小娜 / 你好小娜 / 小娜小娜 | 开灯 / 关灯 / 调亮 / 调暗 |

两种场景都能合训成同一个模型。

## 怎么拿到

训练方式跟单关键词一样——输入词 → 自动 TTS 合成 → 数据增强 → 训练 → 导出 ONNX。十来分钟到半小时出模型。

推理部署用同一个开源引擎，Android / Linux / ESP32 / Web 全平台。如果是已上线的设备想加新唤醒词，重新生成一个多词模型替换掉原来的文件就行，不需要改硬件，不需要烧固件。

## 最后

自定义多唤醒词这件事，以前要么每个词训一个模型堆叠着跑，要么只能迁就只用一个唤醒词。现在一个模型搞定——更小、更快、更省资源。

如果你的产品还在用一个唤醒词迁就所有用户，可以考虑加几个自然变体了。

---

*推理引擎：[github.com/voicute/onnx-wakeword](https://github.com/voicute/onnx-wakeword)（Apache 2.0 开源）*

有人喊"小娜"，有人喊"你好小娜"，有人喜欢喊"小娜小娜"。三个都是自然叫法，你不能要求用户改习惯。但一个模型只能识别一个唤醒词——这是很多人对 KWS 的默认认知。

自定义多唤醒词：怎么把多个唤醒词合到一个模型里

人工智能

开发工具

客户端

"智能音箱多唤醒词技术解析：如何将多个唤醒词合并训练成单一模型，实现135KB轻量级识别。支持'小娜'、'你好小娜'、'小娜小娜'等自然唤醒方式，比传统多模型方案节省3倍资源，误触发率低于0.5%。适用于智能家居、语音助手等场景，支持Android/Linux/ESP32全平台部署。"

语音产品特惠新用户14.9元起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

自定义多唤醒词：怎么把多个唤醒词合到一个模型里-腾讯云开发者社区-腾讯云

自定义多唤醒词：怎么把多个唤醒词合到一个模型里

自定义多唤醒词：怎么把多个唤醒词合到一个模型里

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐