10 触发字检测（Trigger Word Detection）

这一节在讲什么

　　这一节讲的是触发字检测，也叫唤醒词检测。

　　典型例子：

• Alexa
• Hey Siri
• Okay Google
• 小度你好

　　任务目标不是完整转写整段语音，而是判断：

这一段音频里，什么时候刚刚说完了触发词？

为什么这个任务更简单

　　和完整语音识别相比，触发字检测只关心一个固定短语。

　　所以：

• 输出空间小得多
• 数据需求往往也更可控
• 更适合做小型项目和入门练习

输入是什么

　　先把音频片段转成声谱图特征，再得到时间序列输入：

\[x^{\langle 1 \rangle}, x^{\langle 2 \rangle}, x^{\langle 3 \rangle}, \dots, x^{\langle T_x \rangle}\]

　　然后把这串特征送进 RNN。

输出标签怎么设计

　　课程里给的是一个很实用的标签方案。

　　定义每个时间步的标签：

\[y^{\langle t \rangle} \in \{0,1\}\]

　　意思是：

• 0：当前还没检测到触发字结束
• 1：在这个时间点之后，触发字刚刚被说完

课程里的直觉例子

　　假设音频中有人说了两次 Alexa：

• 第一次说完后，后面某一小段时间的标签设成 1
• 其他时间大部分设成 0
• 第二次说完后，再把后面一小段标签设成 1

　　所以标签长得像：

\[0,0,0,0,1,1,1,0,0,0,1,1,1,0,\dots\]

　　这样模型学到的是：

“当我听到某个位置像是刚说完触发词，我就在那个位置附近拉高输出。”

为什么不是只在一个点打 1

　　如果只在触发词刚结束的那一个瞬间打 1，训练会更难。

　　因为：

• 正样本太少
• 极度不平衡
• RNN 很难学到稳定信号

　　所以课程建议：

不只打一个 1，而是在触发词结束后连续打多个 1。

　　这有两个好处：

1. 增加正样本比例
2. 让模型更容易学到“触发刚结束”的模式

这个问题的核心难点

　　课程点出了一个关键问题：类别不平衡。

　　因为绝大多数时间，用户都没有在说唤醒词，所以：

\[\#0 \gg \#1\]

　　也就是 0 的数量远远多于 1。

　　这会导致模型很容易“全预测 0”，表面上准确率还很高，但实际上没用。

　　所以通过让 1 持续多个时间步，是一种简单但有效的缓解办法。

小白怎么理解整个系统

　　你可以把它理解成一个“滑动监听器”：

• 它一直在听声音
• 每个时间点都输出一个分数
• 如果某个位置像是“刚刚说完 Alexa”，输出就抬高

这一节最该记住的公式和记号

输入特征序列

\[x^{\langle 1 \rangle}, x^{\langle 2 \rangle}, \dots, x^{\langle T_x \rangle}\]

时间步标签

\[y^{\langle t \rangle} \in \{0,1\}\]

类别不平衡直觉

\[\#0 \gg \#1\]

这一节最该记住的要点

要点 1：触发字检测只关心固定关键词

　　不是完整语音转文本。

要点 2：输入仍然是音频时间序列特征

　　通常来自声谱图。

要点 3：输出是逐时间步二分类

　　每个时刻判断是否“刚说完触发字”。

要点 4：触发后连续标多个 1 更容易训练

　　这是课程里很实用的工程技巧。

要点 5：最大的实际问题是类别不平衡

　　正例太少，不能只看表面准确率。

这一节一句话总结

　　触发字检测可以建模成一个逐时间步的二分类问题：把音频特征送进 RNN，在触发词刚结束后的短时间窗口内输出多个 1，从而让模型学会稳定地发现唤醒词。