多关键词语音识别方案 — 一个模型同时识别10个命令词

一个设备通常不止需要一个词

大多数语音控制产品需要的不只是一个唤醒词。智能开关需要"开灯""关灯""调亮""调暗"四个指令。智能音箱需要"播放""暂停""下一首""声音大一点"等十个命令。车载助手需要"导航""电话""音乐"等场景切换。

过去做这件事，得训 N 个模型、部署 N 个 ONNX 文件、跑 N 次推理。模型多了，推理延迟叠上去，资源受限的平台上（ESP32、树莓派）直接撑不住。

现在不用了——多关键词语音识别，一个模型搞定全部。

一个模型 vs 一堆模型

参数减少 8 倍，推理快 10 倍。关键在于架构设计。

怎么做到的：共享 Backbone + 独立分类头

核心思路很简单：所有命令词共享同一个特征提取网络（Backbone），每个词只挂一个微型分类头。推理的时候，Backbone 只跑一遍，所有分类头同时出结果。

音频输入 → 共享 Backbone (23K参数) → 特征向量
                          │
          ┌───────────────┼───────────────┐
          ▼               ▼               ▼
      分类头: 播放      分类头: 暂停    ...  分类头: 静音
      (770参数)        (770参数)            (770参数)
          │               │               │
          ▼               ▼               ▼
   [B, 10] — 10个独立概率，1次推理

Backbone 只需要学一次"怎么从 Mel 频谱提取声学特征"。分类头只负责判断自己那个词："这个特征像不像'播放'？" 每个头才 770 个参数。

你实际上能拿到什么

以 10 命令词模型为例：

哪些场景适合多关键词

怎么拿到模型

跟单关键词一样简单——在 听词 Voicute 上输入多个命令词，逗号分隔（比如"播放,暂停,下一首,声音大一点"），十来分钟自动出 ONNX 模型。3 词 ¥169，5 词 ¥199，8 词 ¥249，10 词 ¥299。一次付费，不限设备。

模型是标准 ONNX 格式，配合 开源推理引擎 onnx-wakeword 部署到所有平台。更多细节见 自定义唤醒词在线训练指南。