虞秋辰，周若华*，袁庆升

（1.北京建筑大学电气与信息工程学院，北京 102616；2.国家计算机网络应急技术处理协调中心，北京 100029）

0 引言

唤醒词检测（WWD）系统是语音助手的重要组成部分。随着“Hey Google”、“小艺小艺”和“Siri”等语音助手的出现，该系统的应用越来越广泛，携带它们的设备也越来越多样化。作为一个始终处于监听状态的系统，WWD 系统在接收到唤醒词后立即被触发，从而启用后续操作。为了降低能耗并提供流畅的用户体验，WWD 系统需具有高精度、低延迟和低内存占用率3 个特点。

WWD 可以借鉴关键词检测（KWS）的方法。早期的解决方案是基于大词汇量连续语音识别（LVCSR）［1-3］，先从音频信号中检测出文本内容，再找到唤醒词进行唤醒。LVCSR 方法虽然可以灵活替换唤醒词内容，但如果在移动设备上使用，LVCSR方法占用资源大，无法满足要求。

一个轻量的替代方案是关键词/填充隐马尔可夫模型（HMM）［4-6］。目前深 度神经网络（DNN）-HMM（DNN-HMM）系统使用DNN 代替高斯混合模型（GMM）进行声学特征建模［6-8］。

对于低资源的WWD，很多基于纯粹神经网络的WWD 系统，即基于DNN 的系统不使用任何序列模型。由于不需要复杂的序列搜索算法，这些WWD 系统具有更高的计算效率。该方法最早由Google 公司在2014 年提出［9］。它直接使用全连接前馈神经网络（FFNN）来估计单词后验概率的序列，然后使用后处理方法来检测关键词。在这种范式下，许多DNN 架构被提出来替代FFNN［10-12］。DNN 的优点是可以通过改变DNN 中的参数数量来灵活地改变模型的大小，并且可以部署在硬件有限的设备上，这扩展了WWD 系统的使用场景。……