唤醒是一次显式的注意力交接
别名: 召唤—应答 · 打开会话 · engagement summons
概念解释
人说完唤醒词，并不只是把麦克风从关拨到开。那是一次注意力交接（attention handoff）：用户停下别的话、把身体转向设备、把话轮递过去。系统的第一件事是接住这次交接——耳标、灯、一声「嗯」——让双方都知道会话已经打开。声学上热词怎么被检出，是输入事件；这里管的是检出之后那一轮对话行为：召唤有没有被应答。
机制
人类开场常用召唤—应答：叫一声名字或「喂」，对方用眼神、语气词或「在」来显示自己可用。唤醒词是召唤；耳标或第一包反馈是应答。应答出现之前，用户不知道自己有没有拿到话轮，会把唤醒词再喊一次，或把命令灌进一个其实还关着的会话。命令被灌进关闭态，听起来像识别失败，根子是交接没完成。
交接失败有两种朝向。召唤发出了、应答迟到或缺失，用户对着空话轮说话。应答响了、其实没有合法召唤（误唤醒），则是另一头的错误，代价落在退出上。按键说话把召唤做成了按压，交接在手指上完成，语音开场那一套就不再适用。把唤醒当成纯开关，会漏掉它作为对话第一步的全部时序：应答必须发生在用户开始说正事之前，否则正事会掉进缝里。
怎么研究
量唤醒词结束到系统可用信号（耳标、灯、极短语）的时间，以及两秒内重复唤醒的比例。信号晚或缺失时，重复唤醒应上升——那是召唤未被应答的行为标记。用会话分析看设备开场是否构成完整的召唤—应答邻接对，而不是看热词的检测率。
对照条件可以是：只有灯、只有耳标、两者都有、故意推迟三百到八百毫秒。因变量还包括用户是否在信号之前就开始说命令（对着缝说话）。不要在这项里做关键词的假阳性曲线。
边界
按键说话没有口头召唤，按下即交接；再要求一声「我在听」反而挡路。号称「直接说、不用唤醒」的产品把交接做成隐式，失败会表现为「我说了它没接」，而不是「我叫了它没应」。多人房间里，召唤指向谁是未决的：应答要让未被叫到的人知道不是自己被交了话轮。听力或视觉只可用其中一端的用户，应答必须落在他们能用的通道上。
怎么落地
- 每一次成功唤醒都必须在用户开口说正事之前给出可感知的可用信号。品牌长音可以往后放，应答本身要短、要立刻。
- 把「对着缝说话」写成故障：可用信号晚于用户命令起始。修时序，不要先去怪识别。
- 灯、耳标、语音应答选一条主通道，并保证它在免视或免听情境下仍有替补。
- 录像看嘴：命令应在应答之后开始。若多数人在耳标前就开始说，交接窗口对那个人群来说太慢。