2026 在线训练 ONNX 关键词识别模型：一个模型识别多个语音命令

KWS（Keyword Spotting）用于识别少量预先定义的固定语音命令。如果应用只需要“开始、停止、下一页、取消”之类的操作，可以使用紧凑的离线模型，不必持续运行完整语音转文字系统。

为什么把多个关键词放进一个模型？

每个命令运行一个独立模型，会重复特征提取，也增加模型管理和阈值配置工作。多关键词模型共享一次音频特征计算，同时输出多个目标词的结果，适合智能家居、无障碍工具、机器人、展台、游戏以及免手操作的 App。

一个命令词集合示例

开始记录
停止记录
下一页
上一页
取消操作

同一组命令之间应该尽量保持发音差异。不要轻易同时使用一个短词和包含该短词的长短语，否则需要重点验证二者是否混淆。

在线训练步骤

1. 登录听词，选择目标语言。
2. 选择多关键词模型。
3. 依次添加两个或更多命令，确认文字和预期发音。
4. 特殊发音可选择加入真人录音。
5. 提交任务，等待语音生成、数据增强、训练和模型导出。
6. 逐个测试命令，同时播放普通对话检查误触发，然后下载模型包。

在应用中映射语音动作

推理回调返回检测到的关键词标签，可以用一个简单的动作表连接业务功能：

ACTIONS = {
    "开始记录": start_recording,
    "停止记录": stop_recording,
    "下一页": next_page,
    "上一页": previous_page,
    "取消操作": cancel_action,
}

def on_detected(word, probability, info):
    action = ACTIONS.get(word)
    if action:
        action()

桌面和移动端可以使用 ONNX Runtime，浏览器可以使用 ONNX Runtime Web，嵌入式设备使用兼容的轻量运行时。整个过程不生成完整文字转录，实时音频也不需要离开设备。

KWS、唤醒词还是 ASR？

模型上线前怎么测试？

使用未参与训练的说话人和最终麦克风逐个测试命令，同时播放普通对话、音乐和相似发音。阈值需要同时平衡漏识别和误触发，只追求召回率并不适合直接控制设备。