
## 概述

关键词识别（Keyword Spotting，KWS）是语音交互的第一道入口。与通用语音识别（ASR）不同，KWS 不转写整句文字，而是直接在音频频谱上判断特定词组是否出现。这种简化使得模型体积从几百 MB 骤降到 100KB 级别，推理延迟从数百毫秒降到 5ms 以内，功耗从明显发热降到几乎无感。

本文介绍一套完整的 KWS 方案：从自定义关键词训练、模型导出，到 Android / Linux / Windows / macOS / ESP32 / Web 六端推理部署，全流程覆盖。

## KWS 的适用场景

KWS 适合**需要识别 2-10 个固定语音指令**的产品。典型场景：

| 场景 | 命令词举例 | 词数 |
|------|------|:---:|
| 智能开关 | 开灯、关灯、调亮、调暗、全开、全关 | 4-6 |
| 智能音箱 | 播放、暂停、下一首、上一首、音量+/-、静音 | 8-10 |
| 车载助手 | 导航、电话、音乐、回家、去公司 | 5-8 |
| 老人呼叫器 | 呼叫、喝水、紧急 | 2-3 |
| 工业设备 | 开始、停止、急停、确认、取消 | 3-5 |

如果产品需要的是自由对话（用户说什么都有可能），那该上 ASR 或云端方案。但大部分 IoT 和智能硬件的语音需求就在那几个固定指令的区间，KWS 是最合适的技术选型。

## 方案对比：KWS vs ASR vs 硬件模组

| 维度 | 离线 ASR | 硬件模组 | KWS |
|------|----------|---------|-----|
| 模型大小 | 50-200 MB | 固化芯片 | **100-170 KB** |
| 推理延迟 | 200-500ms | 100-300ms | **< 5ms** |
| 常驻功耗 | 明显耗电 | 低功耗 | **几乎不耗电** |
| 定制词 | 不可 | 厂商网页配置 | **任意 2-6 字** |
| 换词成本 | — | 重烧固件 | **重新生成模型** |
| 平台绑定 | 不绑定 | 绑定芯片 | **不绑定** |
| 部署平台 | 有限 | 仅模组芯片 | **六端全覆盖** |
| 商用 | 看协议 | 买芯片 | **不限设备数** |

## 模型训练：输入关键词，自动出 ONNX

### 训练流程

```
输入关键词（2-6 字中文）
    → TTS 多发音人合成训练数据
    → 噪声增强 + 语速扰动 + 混响模拟
    → Causal DS-TCN 神经网络训练
    → 导出标准 ONNX 模型（100-170KB）
```

整个过程无需采集音频、无需 GPU、无需调参。从输入到下载，基础款约 10 分钟，加强款约 20 分钟。

### 多关键词合训

一个模型可以同时识别 3-10 个关键词。采用**共享 Backbone + N 个独立 MultiProto 分类头**架构：

- Backbone（~23K 参数）负责从 Mel 频谱提取声学特征，训一次，推理一次
- 每个分类头（~770 参数）独立判断自己的关键词
- 一次前向传播输出 N 个独立概率

10 个命令词的模型仅 167KB，总参数 3 万。对比训 10 个独立模型（250K 参数 / 1.28MB），参数减少 8 倍，推理快 10 倍。

### 模型指标（N=10）

| 指标 | 数值 |
|------|------|
| 模型体积 | 167 KB |
| 总参数量 | 30,946 |
| 负样本准确率 | 96.5% |
| 跨词误触发 | 几乎全部 0% |
| 各词召回率 | 68-85% |

## 六端推理部署

训练后的 ONNX 模型配合开源推理引擎 [onnx-wakeword](https://github.com/voicute/onnx-wakeword)（Apache 2.0）部署。引擎内置 Mel 频谱特征提取、ONNX Runtime 推理、五层防误触检测，各平台 SDK 封装了完整的音频处理管线。

### Android

```kotlin
val engine = OnnxWakeWord.create(context, "model_info.json", "melspectrogram.onnx")
engine.setCallback { word, prob ->
    when (word) {
        "打开灯光" -> turnOnLight()
        "关闭灯光" -> turnOffLight()
    }
}
engine.start()
// 后台 CPU < 1%，单帧推理 < 5ms
```

### Linux / Windows / macOS

```python
from wakeword_engine import WakeWordEngine
engine = WakeWordEngine()
engine.load("model_info.json", "melspectrogram.onnx")
engine.start(lambda word, prob, info: print(f"检测到: {word}"))
```

C++ 接口同步提供，支持树莓派、Jetson 等边缘设备。

### ESP32

ESP32-S3 + INMP441 I2S 麦克风，INT8 量化后模型约 50KB，SRAM 占用约 200KB，平均功耗约 13mA。

```c
wakeword_handle_t handle;
wakeword_init(&handle, &config);
wakeword_set_callback(handle, on_keyword_detected, NULL);
wakeword_start(handle);
```

### Web 浏览器

WebAssembly + ONNX Runtime Web，浏览器端离线推理，零安装。

```javascript
const engine = VoicuteWakeWord.create()
await engine.load("model_info.json", "melspectrogram.onnx")
await engine.start((word, prob) => {
    console.log(`检测到: ${word}`)
})
```

## 防误触发机制

引擎内置五层可独立开关的防误触检测：

| 层级 | 策略 | 解决的问题 |
|:---:|------|------|
| L1 | 连续帧确认 | 键盘声、关门声等瞬态噪声 |
| L2 | 峰值/背景比过滤 | 安静环境底噪幻觉 |
| L3 | 1.5s 冷却时间 | 同一句话被重复识别 |
| L4 | 爆发封锁 | 扬声器回声回路 |
| L5 | 能量跳变检测 | 背景音乐/视频等持续噪声 |

建议 L1 + L3 常开，嘈杂环境加开 L5。

## 如何开始

开发者落地 KWS 方案，通常有三条路径：

- **开源框架自训练**：OpenWakeWord、WeKws、nanoWakeWord 等均支持导出标准 ONNX 模型，适合有算法能力和 GPU 环境的团队。
- **预训练 Demo 模型**：onnx-wakeword 仓库的 models 目录提供常用唤醒词预训练模型，可直接下载测试。
- **在线训练平台**：部分云平台支持输入关键词自动完成 TTS 合成、数据增强、模型训练和 ONNX 导出，无需搭建训练环境，适合快速验证和个人开发者。

无论通过哪种方式获得 ONNX 模型，部署阶段都使用同一套推理引擎，模型格式和 API 完全一致。

## 总结

KWS（关键词识别）为需要固定语音指令的 IoT 和智能硬件产品提供了一条轻量、离线、全平台的技术路线。100KB 级别的 ONNX 模型，同一套开源推理引擎，Android / Linux / ESP32 / Web 六端统一部署——兼顾了模型轻量、部署灵活和跨平台三个核心诉求。

---

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

关键词识别（Keyword Spotting，KWS）是语音交互的第一道入口。与通用语音识别（ASR）不同，KWS 不转写整句文字，而是直接在音频频谱上判断特定词组是否出现。这种简化使得模型体积从几百 MB 骤降到 100KB 级别，推理延迟从数百毫秒降到 5ms 以内，功耗从明显发热降到几乎无感。

KWS 关键词识别完整方案：从模型训练到 Android Linux ESP32 Web 全平台部署

人工智能

客户端

物联网

关键词识别（KWS）是轻量级语音交互技术，专为2-10个固定指令场景设计。相比ASR，KWS模型仅100-170KB，推理延迟<5ms，功耗极低。支持自定义关键词训练，提供Android/Linux/Windows/macOS/ESP32/Web六端部署方案，适用于智能家居、车载、工业设备等离线场景。开源推理引擎onnx-wakeword实现全平台统一部署。

语音产品特惠新用户14.9元起


4核4G3M云服务器 新用户低至38元/年！

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

关键词识别（KWS）是轻量级语音交互技术，专为2-10个固定指令场景设计。相比ASR，KWS模型仅100-170KB，推理延迟<5ms，功耗极低。支持自定义关键词训练，提供Android/Linux/Windows/macOS/ESP32/Web六端部署方案，适用于智能家居、车载、工业设备等离线场景。开源推理引擎onn...

KWS 关键词识别完整方案：从模型训练到 Android Linux ESP32 Web 全平台部署-腾讯云开发者社区-腾讯云

KWS 关键词识别完整方案：从模型训练到 Android Linux ESP32 Web 全平台部署

KWS 关键词识别完整方案：从模型训练到 Android Linux ESP32 Web 全平台部署

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