语音控制方案怎么选：关键词识别（KWS）入门与方案对比
从 ASR 到 KWS
给产品加语音控制，之前习惯的路径是先上个通用语音识别（ASR），让设备"听懂一切"。实际项目里不少场景并不需要自由对话，设备只需要响应几个固定的语音指令——比如智能开关只关心"开灯"和"关灯"，厨房计时器只要能识别"开始"和"停止"。
这时候 ASR 反而是一个比较重的方案。离线 ASR 包从几十 MB 起步，需要联网或者不小的算力，对于资源受限的边缘设备和移动端 App 的功耗与包体积都有影响。
关键词识别（Keyword Spotting，KWS）走的是另一条路——不翻译整句话，只判断"某个特定词组有没有出现"。这个简化带来的差距是数量级的：模型缩小到 100KB 左右，可以常年挂在后台监听，几乎不耗电，完全离线运行。
KWS 的典型应用场景
不是所有语音产品都需要 KWS。满足三个条件之一的，比较适合考虑：
- 需要常驻监听，同时不能明显耗电（车载唤醒、老人呼叫器、手机 App 后台语音助手）
- 设备只有少数几个固定指令（智能开关、工业按钮、智能玩具）
- 离线优先，不能或不想依赖云端（隐私敏感场景、网络不稳定环境）
如果产品需要自由对话、什么都能回答，那还是 ASR 或者云端 LLM 更适合。
目前怎么拿到一个自定义关键词模型
市面上获取自定义唤醒词/关键词模型的路线，大概有三条。
找大厂拿授权。百度、讯飞、思必驰都提供相关服务，技术上比较成熟，SDK 也完善。问题是授权费——有的按年、有的按设备，中小企业或者做小批量的团队很难覆盖这个成本。
买硬件模组。海凌科、涂鸦、机芯智能都有离线语音模组，几块钱到十几块钱一片，零代码配置。缺点也很直接——绑定了特定芯片和模组，一换硬件方案就要重新适配。
自己训练或者用在线平台。开源的训练框架如 OpenWakeWord、WeKws，可以导出标准 ONNX 格式，不绑定任何平台或芯片。训练流程需要 Python 环境和一定的调试经验，从搭环境到出模型，短则半天，长则半个月。另外也有在线平台直接生成——输入关键词，自动合成训练数据、训练、导出 ONNX，不到半小时拿到模型。
听词 Voicute 是一个什么方案
听词是一个在线关键词识别模型训练平台。使用上比较简单：输入关键词，后台自动合成训练语音，完成数据增强和模型训练，输出一个 100KB 左右的 ONNX 模型。导出的是 ONNX 格式，不是任何芯片或平台的私有格式，拿到后可以在 Android、Linux、Web、ESP32 上跑。
平台目前有两个版本：基础款（纯 TTS 合成训练，39 元）和人声增强款（TTS 加上真人录音混合训练，99 元）。如果你的发音比较标准、场景噪声不大，基础款基本够用。如果带一点地方口音、或者模型上线后总感觉识别不稳定，录 10 句自己的关键词加进训练集，通常情况下会有比较明显的改善。
模型拿到后，可以搭配开源推理引擎onnx-wakeword（Apache 2.0）部署。这个引擎内置了 Mel 特征提取，不需要额外加载一个 mel 模型；同时带了一套五层防误触检测逻辑，安静环境下误触发可以控制到每天一次以下。推理引擎在 GitHub 上开源，Android、Linux、ESP32、Web 四个平台都有对应的 SDK。
怎么选
如果预算紧张、有算法能力和 GPU 环境，可以自己搭训练流程，用 OpenWakeWord、WeKws 或者其他开源框架。
如果不太想在训练上投入时间，或者希望快速验证关键词效果，可以考虑在线平台直接生成模型，比如听词，比如海外还有 Outspoken（outspoken.cloud）。
如果产品已经定了芯片和模组，硬件方案是最省事的，配置完直接烧录固件就能用。
准确来说，KWS 本身不是一个巨大的赛道，但它的位置比较独特——在通用 ASR 和硬件语音模组之间，有一小片中低资源需求的市场，目前没有被很好地覆盖。
听词：www.voicute.com
onnx-wakeword：github.com/voicute/onnx-wakeword
