¿Cómo hacemos estables las palabras de activación multilingües?

Entrenar una palabra de activación que funcione en situaciones reales es más complejo que ejecutar un script de un solo clic. Un modelo puede funcionar en una habitación silenciosa y fallar cuando cambian la voz, el dispositivo o el ruido de fondo.

La estabilidad depende de toda la cadena: datos específicos por idioma, aumento realista, ejemplos negativos difíciles, evaluación y control antes de publicar. Voicute admite chino, inglés, japonés, alemán, francés, español e hindi.

Cuatro decisiones para una detección estable

1. Entrenamos el modelo ligero directamente para la palabra objetivo, en lugar de depender de características preentrenadas que pueden no representar bien los idiomas no ingleses. También aprende el orden temporal de las sílabas.

2. Cada idioma tiene sus propios datos positivos, variaciones de pronunciación, ruidos y sonidos parecidos. El soporte multilingüe no consiste en traducir una receta inglesa.

3. Generamos TTS con varios hablantes y variamos velocidad, tono, volumen, ruido y reverberación. Las grabaciones reales aportan acentos, pronunciación personal y diferencias de micrófono.

4. R0 comprueba la recuperación básica. R1 busca falsos activaciones en música, vídeos, ruido y conversación normal, y después vuelve a entrenar varios candidatos. Los modelos que no alcanzan el estándar no se entregan.

Resultado

En nuestra evaluación interna controlada, muchos modelos entregados alcanzan un 98–100 % de recuperación. Es un resultado bajo condiciones definidas, no una garantía absoluta para todas las voces y entornos.

Los modelos se exportan a ONNX o TFLite y funcionan sin conexión en Web, Android, ESP32, Python y Home Assistant.