Wie bleiben mehrsprachige Wake Words stabil?

Ein Wake-Word-Modell zu trainieren, das im Alltag zuverlässig funktioniert, ist schwieriger als ein einzelnes Trainingsskript vermuten lässt. Ein Modell kann in einem ruhigen Raum funktionieren und bei einem anderen Sprecher, Gerät oder Hintergrundgeräusch ausfallen.

Stabile Erkennung entsteht durch die gesamte Kette: sprachspezifische Daten, realistische Augmentierung, schwierige Negativbeispiele, einheitliche Tests und eine Auslieferungssperre. Voicute unterstützt derzeit Chinesisch, Englisch, Japanisch, Deutsch, Französisch, Spanisch und Hindi.

Zwei Arten des Scheiterns

Das Wake Word wird nicht erkannt oder es wird ohne Anlass ausgelöst. Mehr Empfindlichkeit verbessert nicht automatisch beides. Die Entscheidungsgrenze muss durch bessere Daten und Training verbessert werden.

Vier Entscheidungen für stabile Erkennung

Erstens: Wir trainieren das leichte Keyword-Modell von Grund auf, statt uns auf einen nicht passenden, eingefrorenen Sprach-Embedding-Raum zu verlassen. So kann das Modell Lautfolge und zeitliche Reihenfolge des Schlüsselworts direkt lernen.

Zweitens: Jede Sprache erhält eigene Sprachdaten, positive Varianten, Negativbeispiele und Evaluationsdaten. Mehrsprachigkeit ist nicht nur eine übersetzte englische Trainingsanleitung.

Drittens: Mehrsprecher-TTS wird mit Änderungen bei Stimme, Tempo, Tonhöhe, Lautstärke, Rauschen und Hall erweitert. Echte Aufnahmen können zusätzlich die Anpassung an Akzent, schnelle Sprache und das konkrete Mikrofon verbessern.

Viertens: R0 prüft die grundlegende Erkennung. R1 scannt Musik, Filme, Geräusche und normale Sprache nach Hard Negatives und trainiert anschließend mehrere Kandidaten neu. Modelle, die die Qualitätsgrenze nicht erreichen, werden nicht ausgeliefert.

Ergebnis

Die Modelle werden in kontrollierten internen Tests auf Recall und Fehlauslösungen geprüft. Viele ausgelieferte Sprachmodelle erreichen dabei 98–100 % Recall; das ist ein Benchmark unter festgelegten Bedingungen und keine absolute Garantie für jede Stimme und jede Umgebung.

Die Modelle exportieren als ONNX oder TFLite und laufen offline auf Web, Android, ESP32, Python und Home Assistant.