离线语音唤醒怎么做：自定义唤醒词从训练到端侧部署

离线语音唤醒由“唤醒词模型 + 实时音频管线 + 检测后处理”共同完成。训练出模型只是第一步，能否在目标麦克风和真实环境中稳定工作才是上线标准。

第一步：选择容易区分的唤醒词

避免太短、日常对话高频、叠词或与产品播放内容高度重合的短语。多个唤醒词放在同一模型时，还要避免相似发音。先确定书写、预期读音和语言，再进入训练。

第二步：生成并测试模型

1. 选择语言并输入自定义唤醒词。
2. 生成合成语音和噪声增强训练数据。
3. 训练并导出 ONNX 或 TFLite。
4. 在浏览器测试页用真人、不同距离和普通对话验证。
5. 效果不足时加入少量目标说话人的真人录音增强。

第三步：选择端侧运行时

第四步：不要绕过后处理

原始模型分数不应该直接触发业务。连续多帧确认可以过滤瞬时尖峰，冷却时间避免一次发音重复触发，能量门限和动态基线可以降低安静底噪误报。参数应基于目标设备录音调整，而不是从另一台设备照抄。

上线前的最小验收

• 多位未参与训练的说话人各测试多次；
• 安静、背景音乐、电视人声和相似发音分别测试；
• 近场和预期最远距离测试；
• 记录漏唤醒、误唤醒和重复触发，而不只记录“成功过一次”；
• 确认断网后仍能加载模型并触发。