语音唤醒相关

和唤醒相关的关键词

wake-up word recognition / detection / spotting、voice triggering、voice activation、keyword spotting。
其中keyword spotting主要用来待指【关键词检索】任务，有时也用来指语音唤醒，「关键词检索」与「语音唤醒」不同，它是在事先录制好的大量语音中搜索特定的关键词。这是一个离线任务，所以并不需要实时进行语音识别，也可以建立索引以加速检索。
tips:掌握关键词是快速入门一个领域好方法，比如可以带着关键词去搜论文，去github检索代码

评价指标：误唤醒、唤醒率、设备功耗

误唤醒率（单位通常为次 / 小时）下，目前商用误唤醒一般要求1-2次/12h。
唤醒率（通常用百分比表示），商用唤醒率一般要求90%以上，尽可能降低漏唤醒率。
如果商用场景，难以满足上述两个指标，重点考虑数据是否匹配。商用唤醒前面肯定要加降噪和VAD、负样本的构造要保护常见场景的背景数据和特定的测试背景数据。
满足误唤醒、唤醒率之外，还要考虑设备功耗，设备功耗和前面两个指标也是相互制约的，同时也是研究者的优化方向，期望在低功耗下，有较低的误唤醒和漏唤醒率。

根据唤醒词给出的形式也可以把语音唤醒分为两种。唤醒词可能是用户用语音形式录制的，这样的语音唤醒任务叫做 query-by-example (QbE) 的语音唤醒。更常见的情况是唤醒词以文本形式给出，比如 Google 的「OK Google」、苏宁的「小 biu 小 biu」等等。

Query-by-example 的语音唤醒

这种模式输入语音，输出是否是唤醒词的概率分布，根据阈值控制是否触发唤醒。

唤醒词以文本形式给出的语音唤醒

其实还是不太明白为什么唤醒词以文本形式给出，语音交互为了方便，解放手的劳动力，一旦开启唤醒，意味着正常语音交互是没问题的，那为什么存在唤醒是文本形式，可能是为了降低功耗，目前暂时搁置这个疑问。

开源论文和代码

https://arxiv.org/pdf/1710.10361v2.pdf
使用residual残差网络
https://github.com/castorini/honk

使用EfficientNet网络
https://github.com/AmirmohammadRostami/KeywordsSpotting-EfficientNet-A0

Convolutional Neural Networks for Small-footprint Keyword Spotting
https://www.isca-speech.org/archive/interspeech_2015/papers/i15_1478.pdf

TC-net: Temporal Convolution for Real-time Keyword Spotting on Mobile Devices
https://arxiv.org/pdf/1904.03814.pdf
pytorch: https://github.com/hyperconnect/TC-ResNet
c: https://github.com/Alex-Riviello/KWS_MCU

数据集

https://www.tensorflow.org/datasets/catalog/speech_commands
https://paperswithcode.com/paper/speech-commands-a-dataset-for-limited

参考

https://zhuanlan.zhihu.com/p/90596982#ref_3
https://blog.csdn.net/weixin_37598106/article/details/105439687