网页里做语音功能，很多人的第一反应是调用云端语音识别：采集麦克风、上传音频、等待返回文字，再判断用户说了什么。但如果需求只是“开始录音”“下一页”“打开面板”或者一个固定唤醒词，整套 ASR 链路其实太重了。更合适的做法是关键词识别（KWS）：模型不转写整句话，只判断目标短语有没有出现。模型和运行库加载完成后，音频不需要上传到业务服务器。

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

听词Voicute平台提供了一种快速生成自定义语音唤醒词模型的解决方案，用户只需输入关键词即可在线训练模型，无需自行处理复杂的语音数据准备和模型训练流程。该平台支持中文、英文等5种语言，提供基础款、语音增强款和多关键词模型三种选择，训练完成后可下载ONNX/TFLite模型在本地设备离线运行。开发者可通过开源推理代码将模型部署到Python、Android、ESP32等多种平台，适用于智能家居、语

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

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