編輯導(dǎo)語：

隨著語音交互技術(shù)的日漸成熟，越來越多的智能硬件都選擇增加語音能力作為產(chǎn)品賣點之一。但是，設(shè)備在進入語音交互工作狀態(tài)的時候，需要先進行喚醒操作。

常見的喚醒語音交互的操作有按鍵或者觸屏形式，但是，為了進一步降低學(xué)習(xí)成本和操作復(fù)雜度，也有不少的智能硬件選擇通過語音喚醒的方式來激活交互功能。

本文將綜合對比市面上各家提供的語音喚醒技術(shù)相關(guān)指標，可以幫助你快速掌握語音喚醒技術(shù)的情況。

一、語音喚醒技術(shù)的相關(guān)核心指標

1、喚醒率

語音喚醒的主要目的既然是激活設(shè)備進入交互工作狀態(tài)，那么，喚醒率的高低就顯得額外重要了。理論上，最好的狀態(tài)就是我只要說一次喚醒詞，設(shè)備就能立即響應(yīng)。不過，受說話人與設(shè)備距離、發(fā)音標準、噪聲等各種各樣的因素，實際工作中比較難達到次次響應(yīng)的完美工作狀態(tài)。

一般來說，在近距離的安靜場景下，市面上的技術(shù)都能夠做到喚醒率在95%以上。

不過，消費者的實際使用場景是較復(fù)雜的，因此，需要模擬不同的應(yīng)用場景進行實測，才能得到最后的喚醒率指標。

2、誤喚醒率

指設(shè)備被非喚醒詞喚醒的概率，誤喚醒率越高，效果越不好。

大家在日常生活中可能會經(jīng)常碰到，放在家里的智能音箱，大晚上莫名其妙答一句“我在”，把人嚇個半死；還有如果家里用的智能電視，喚醒手機語音助手的時候，不是同一個喚醒詞，電視也會蹦出一句“我在”。

這就是典型的誤喚醒場景，一般用24小時被誤喚醒多少次來衡量。

3、響應(yīng)時長

主要是指用戶說完喚醒詞后，設(shè)備給出反饋的耗時，一般越短越好。

而反饋的形式則比較多樣，可以通過語音應(yīng)答響應(yīng)、也可以通過亮屏或者指示燈閃爍響應(yīng)。統(tǒng)計來看，如果是亮屏或者指示燈閃爍響應(yīng)，控制在200ms以內(nèi)用戶體驗較好；如果是語音應(yīng)答響應(yīng)，太快反而體驗不好，一般控制在500ms左右更佳。

4、功耗

主要是針對電池供電設(shè)備，理論上越低越好，這樣，設(shè)備的使用時長不會受到太大的影響。

因為喚醒的工作原理是會持續(xù)檢測聲音中是否包含喚醒詞的特定片段，所以，會持續(xù)耗電。

為了進一步降低功耗，部分產(chǎn)品也會采取DSP來完成語音喚醒，再通過AP層兜底的模式，保證喚醒和功耗的均衡。

總結(jié)：語音喚醒的技術(shù)指標，除了與算法相關(guān)之外，還與智能硬件的結(jié)構(gòu)設(shè)計、芯片算力、使用場景等息息相關(guān)。最后的實際效果，則應(yīng)以實際測試效果為準，參考下圖：

二、語音喚醒技術(shù)對比

該對比信息均從互聯(lián)網(wǎng)公開渠道獲取，相關(guān)信息來源于提供商官網(wǎng)公開信息，如其官網(wǎng)有更新，請以更新信息為準。（PS：百度搜索關(guān)鍵詞“語音喚醒”）

三、喚醒詞的區(qū)別

喚醒詞的定義實際是比較廣泛，至少包含了四種使用場景：品牌喚醒詞（如，小飛小飛）、離線命令詞（如，我要聽周杰倫的歌）、云端命令詞（如，我要聽周杰倫的歌）、免喚醒詞（如，下一首、暫停）。這些使用場景，實際上都是使用了喚醒詞的原理，只是喚醒后執(zhí)行不同的動作。

四、語音喚醒項目實施要點

1、喚醒詞評估

大部分服務(wù)商都提供了喚醒詞評估服務(wù)，不過，有部分服務(wù)商對喚醒詞有一定的限制。因此，在選擇喚醒詞的時候，需要充分考慮品牌、發(fā)音特點、詞語等因素，綜合確定最終的喚醒詞。

2、確認測試環(huán)境和工具

以以往交付的喚醒項目來看，主要測試的環(huán)境包括：外噪場景測試、自噪場景測試、安靜場景測試和誤喚醒測試。

3、聲音采集

根據(jù)產(chǎn)品主要面向的使用人群，采集真人發(fā)音音頻。

示例：【某某投影儀音頻采集需求】

• 采集人數(shù)200人，總音頻2000句
• 男女比=1:1
• 一人10句
• 語速快：中：慢=1:3:1
• 年齡兒童：青年：中年=1:3:1
• 區(qū)域：北上廣深
• 普通話

4、測試音頻處理

包括去除破音的音頻、去除時長>1.7s的測試音頻、音頻幅度歸一化。

5、數(shù)據(jù)記錄表

根據(jù)實測結(jié)果，如實填寫表格中對應(yīng)測試結(jié)果，完成項目驗收。

如果需要更深入地咨詢了解，可添加筆者V：HolaAI，詳細交流。

審核編輯：符乾江