摘要：高效多关键词语音识别模型设计与跨平台部署 本文介绍了一种高效的多关键词语音识别方案，通过共享Backbone和独立分类头的设计，将10个语音命令集成到一个仅167KB的模型中。相比传统独立模型方案，该设计减少8倍参数和体积，推理速度提升10倍，同时保持高准确率（负样本准确率96.5%，跨词误触发率<1.2%）。 方案采用Causal DS-TCN架构，利用多标签BCE损失训练，支持一键生成训

摘要：ESP32-S3离线语音唤醒方案 本文介绍了一种基于ESP32-S3的离线语音唤醒方案，无需云端、无需固定唤醒词、无需深度学习训练。方案采用onnx-wakeword开源引擎，通过以下步骤实现： 硬件准备：需要带PSRAM的ESP32-S3开发板和麦克风模块 模型原理：将声音转换为Mel频谱图，通过神经网络(Backbone+Head)计算唤醒概率 工程实现： 使用预编译的推理管线 内置5层

品牌唤醒词是产品定义的一环。"小爱同学"不只是个名字，它是小米生态的识别符号。用户习惯了叫这个名字，品牌归属感也慢慢建立起来。自定义唤醒词给了用户更高的自由度——智能开关可以叫"打开灯光"，老人呼叫器可以叫"呼叫小张"，儿童玩具可以叫"小恐龙"。名字跟使用场景绑定，交互更自然，且不少公司逐渐把它作为品牌差异化的一部分。做自定义唤醒词功能时，需要限制字数（一般 3-5 个字）、检测多音字并提醒、定义

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"。它的特点是模型极小（几百KB 级），功耗极低，可以常年驻留。它的特点是模型大（50MB 起步），功耗高，不需要常年开。——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。你有硬件团队，产品量大，芯片选好了就不换。大批量硬件产品（智能开关、86

本文介绍了一套完整的自定义语音唤醒词实现方案，从模型训练到部署落地的全链路实践。针对商业方案成本高、开源项目维护不足的痛点，提供了两种模型获取方式：基于OpenWakeWord的自主训练和在线平台快速生成。重点推荐了跨平台推理引擎onnx-wakeword，支持C++/Android/ESP32/Web等多端部署，内置Mel特征提取和五级防误触发机制。文章包含实测性能数据、唤醒词设计建议和ONNX