语音唤醒性能优化

01/05/2018

---

我们不考虑误唤醒的问题，先说说OKEY TOMMY的识别问题。从演示视频里可以看出，v0.2版的OKEY TOMMY的识别是有一些慢的，我说完OKEY TOMMY后，需要等一会系统才会反馈嘀的一声，这时候才能说话。

按照系统设计，灯灭的时候，说话不起作用；白灯等待接收OKEY TOMMY指令，蓝灯等待接收其他任意指令。

那么，为什么会有反馈慢这个问题呢？有两个概念需要解释一下。

• 第一个是活动语音检测(Voice Activity Detection、VAD)问题。VAD模块主要用于语音起始点、结束点的检测，即检测BOS(Begin Of Speech)和EOS(End Of Speech)、决定何时开始和结束语音识别。从头开始编写一个VAD模块虽然不很复杂，但需要很多的专业知识，同时调校至商业可用、足够鲁棒需要很多的时间精力投入，所以本宝采用现成的开源VAD模块webrtcvad。

• 第二个就是识别模式，是在线流式识别还是离线识别。本宝v0.2版背后运作的机制实际上是离线识别，即VAD检测到EOS后，将语音打包至识别引擎处理。使用离线识别的好处是简单，缺点也是显而易见的，就是牺牲了录音的处理时间，本来录音的同时是可以做识别、即在线流式识别。在线流式识别可以极大的降低识别结果的延时，改善用户的使用体验。

后续版本会改善v0.2的这个问题。