为什么你的唤醒词模型听不出你的口音？用真人录音补了一课

TTS 训练的短板

大多数唤醒词模型的训练数据靠 TTS 生成。

找几个发音人，设定不同的语速、音调、语气，批量合成几百上千条音频，再混上噪声和远场模拟，训练集就有了。这套流程最简单。

但 TTS 只能生成标准发音。

标准普通话、标准语速、标准语调。训出来的模型面对标准输入表现很好，实验室准确率能到 90% 以上。

问题是真实用户不是播音员。有人带口音，有人语速忽快忽慢，有人咬字习惯和标准差得远。TTS 覆盖不到，模型就不认识。

这也是为什么很多人说"训练时看着好好的，一用就拉胯"。

为什么加几句真人录音就解决了

TTS 覆盖了大概 95% 的标准发音，剩下那 5% 的真实发音差异，模拟不了。

但真人可以。

让用户录 10 句自己的唤醒词，混入 TTS 数据一起训。真人的声学特征把模型的"决策边界"拓宽了——从只认识标准发音，扩展到也认识你的发音。模糊判断少了，准确率就上来了。

实测数据：

带口音用户

• 纯 TTS：召回率约 50%
• TTS + 10 句真人：召回率 90% 以上

不是边际改善，是质的差距。10 句话的事。

训练上两个细节：

• 50 倍权重，不是增加轮数。只加 epoch，TTS 数据量太大，会把模型注意力拉回标准发音，真人效果被稀释。50 倍权重让真人梯度信号更突出。
• 真人不做过度增强。TTS 需要加噪加混响因为那是干净的合成声音。真人录音本身就是真实环境录的，底噪和混响都是真的，再增强反而失真。只做语速微调和少量加噪就够了。

另外真人录音还能降误触发率，实测降了约一成。边界清晰了，模糊区里的背景噪声不再被误判。

怎么用

听词的语音增强款（¥99）做的就是这件事。

和基础款（纯 TTS，¥39）的区别就是加入了你自己的 10 句录音。APP 端引导你说 10 次关键词，VAD 自动切分，上传后大约半小时出模型。同样导出 100KB 左右的 ONNX，不限制部署数量，接 onnx-wakeword 在 Android、Linux、Web、ESP32 上直接跑。

发音比较标准的，基础款就够了。带口音的、语速偏快的、怎么调都差点意思的——加 10 句话，比调参数管用得多。