唤醒词是参与状态的进入条件
别名: 热词 · hotword · keyword spotting · 语音唤醒
概念解释
唤醒词（wake word，也称 hotword）是把设备从低功耗监听切入参与状态（engagement）的声学口令。命中之前，系统不应把后续话语当作用户指令去执行；命中之后，才打开完整的识别与对话会话。它不是命令内容本身，而是进入条件。按键说话（push-to-talk）用手指完成同一道门；唤醒词用固定短语完成。
机制
远场麦克风若把环境里的所有声音都送去自动语音识别（ASR），功耗、带宽和隐私都不可接受。常见架构因此分成两级：设备端的关键词检测（keyword spotting）在短时滑窗上匹配那几个固定音素序列；只有得分超过门限才唤醒更高功耗的声学前端、网络通道和语言理解。未过门的音频通常就地丢弃，并不进入命令解析。唤醒词因此是状态机的守卫：它把“可能在听”和“正在受理输入”切开。命令即使在声学上清晰，若落在守卫之外，也不应产生副作用。连续对话里的免唤醒跟进，是守卫被临时放宽，而不是守卫消失。
怎么研究
关键词检测的主指标是给定漏检率下的每小时误接受次数（false accepts per hour），而不是一次实验室唤醒是否成功。自变量包括说话距离、方位、背景电视与交谈、说话人是否注册过、以及是否要求用户把短语说完整。因变量还包括从声学命中到界面进入聆听态的延迟。只用安静房间里的合作发音会高估可用性：客厅里的媒体语音、儿童模仿和广告里的品牌名，才是守卫真正面对的输入分布。
边界
没有常开麦克风的设备不需要唤醒词，方向盘按键或耳机触控已经提供进入条件。一旦会话建立，许多产品允许几秒内的免唤醒跟进，此时进入条件已经不是那句短语。自定义唤醒词会改变音素碰撞面，但改变的是误触发统计，不是“要不要有一道门”。把唤醒词写成自然语言理解的一部分，会让用户以为随便一句话都能开机，系统却仍在等固定模板。
怎么落地
- 把未唤醒、已唤醒聆听、正在处理画成互斥状态；只有命中后才执行可产生副作用的命令。
- 在远场、有电视和有旁人说话的房间各测一轮：未说唤醒词时，任何指令都不得被执行。
- 用日志分开统计“关键词命中”和“命令成功”，避免把识别准当成唤醒门工作正常。