前言

从 2014 到 2025，十余年间，语音交互领域的探索从未止步，唤醒词的迭代升级正是这一过程的生动注脚 —— 从 “若琪” 到 “乐奇”，变化的是交互入口，不变的是对自然、便捷人机交互的持续深耕。
一句唤醒词的背后，藏着用户与技术之间的情感联结，也记录着科技与温度交融的发展轨迹。“若琪” 所承载的探索初心，并未随迭代远去，而是通过 “乐奇” 以更成熟的姿态延续，让每一次语音交互都始终带着陪伴感。
无论是早期的技术尝试，还是如今的成熟应用，核心追求始终一致：让人机对话摆脱繁琐，变得更自然、更顺畅。前沿语音交互技术的持续迭代，让 “轻唤即应” 成为常态，也让科技的便捷性与交互的温度感实现了更好的平衡。

为何轻喊一声 “乐奇” 就能实现顺畅交互？接下来，我们将从唤醒场景切入，从硬件、软件、性能指标的全链路视角，拆解语音唤醒技术的核心原理，带你弄清其应声响应的底层逻辑。

硬件算力基础：怎么 “听到”并“听懂”声音的

要实现语音唤醒，第一步得让设备精准 “听到” 你的声音，还得有足够的 “脑子” 处理这些声音信号。这就靠麦克风阵列、回路参考音、喇叭、DSP/CPU这些硬件部件配合。硬件好不好，直接决定了后续处理的声音质量，是唤醒效果的根本。

2.1 麦克风阵列：设备的 “耳朵”，越多越会 “定向听声”

麦克风阵列就是设备的 “耳朵”，靠多个麦克风一起工作，实现 “朝着声音来源听”，解决了单个麦克风抗干扰差的问题。现在常见的有单麦、双麦、4麦、5麦、8麦这几种，麦克风数量越多，“定向听声” 的能力越强。

实际应用中，单麦方案成本最低但抗噪能力有限，适合近距离场景；双麦通过波束成形可实现基本的方向滤波，常用于耳机产品；4麦、6麦甚至8麦阵列则广泛应用于智能音箱、车载系统等远场场景，能提供更精准的声源定位和噪声抑制能力。Rokid Glasses采用的就是4麦方案，通过麦克风阵列实现不同适用场景的定向收音。

衡量麦克风阵列好不好，主要看这几个参数：

• 采样率与位深：现在主流是 16kHz/16bit——16kHz 能覆盖人说话的主要频率范围（80Hz-4kHz），16bit 能保证声音细节不丢；主流的音频识别产品都是采用这个配置，既能确保人声的完整性也能控制合理的数据量。
• 灵敏度：就是麦克风把声音转换成电信号的能力。太不灵敏，远一点说话就听不清；太灵敏，又容易把杂音也收进来。得根据使用场景调，比如智能眼镜类的产品，用户戴的时候嘴离麦克风也就15-20 厘米，所以把灵敏度设为 - 38dBFS±2dB，可以既能保证听清说话声，又不会让杂音过载。
• 信噪比（SNR）：就是有效声音和杂音的比例，数值越高（比如≥65dB），采集的声音越干净，抗干扰能力越强。Rokid搭载的是MEMS麦克风，信噪比最高能达到70dB以上。就算在咖啡馆、地铁这种有杂音的地方，也能较为准确的试音。
• 麦克风 “一致性校准”：多个麦克风出厂时，性能会有细微差别，得校准让它们一致 —— 不然 “耳朵” 听的不一样，定向效果就差了，甚至会 “听错”。所以在生产产线上，需要对每台设备的麦克风阵列进行的单独的校准，把误差控制在 ±1dB 以内，保证批量生产的设备，麦克风收音能力都是相对稳定可靠的。

2.2 喇叭：设备的 “嘴巴”，也影响回声

喇叭是设备的 “嘴巴”，但它也是回声的主要来源，声道配置得跟麦克风阵列配合好才可以。

• 单声道：结构简单、成本低，适合小型设备，比如智能手环，但回声方向单一，得针对性消除。
• 双声道 / 立体声：适合大设备或者对音质一定要求的设备，比如智能电视，但回声来源复杂，得靠麦克风阵列的定向功能，区分喇叭回声和用户说话声。

Rokid Glasses采用的是双立体声骨传导喇叭，骨传导不用空气传声，声音清晰，既能减少对外界的干扰，又能让麦克风少收点回声。

2.3 回路参考音：用于解决 “设备自己的声音干扰麦克风收音”的问题

如果设备既能 “听”（麦克风）又能 “说”（喇叭），比如智能音箱，喇叭播放的声音会被麦克风再收进来，形成 “回声”—— 比如放音乐时，麦克风既收音乐声，又收你喊的唤醒词，特别影响唤醒。回路参考音主要有两种采集方式：

• 硬件回路采集：直接通过硬件线路拿喇叭的原始声音，延迟低、稳定，适合对实时性要求高的场景，比如直播音箱。
• 软件回路采集：通过软件接口拿声音信号，不用额外加硬件，成本低，但延迟高（可能差 10-20 毫秒），得用算法补这个延迟。

Rokid Glasses采用的是骨传导喇叭，能避免声音漏出去，但可能还是会有轻微回声。如果要得到比较纯净人生，还是需要通过回声消除（AEC）算法将喇叭播放的回路声音去掉。

2.4 DSP/MPU：设备的 “大脑”，负责处理声音

语音唤醒要准要快，得有足够的算力支撑，一般来说，语音识别类产品都是使用专业的DSP芯片（数字信号处理器）或者直接使用高性能MPU芯片（微处理器）来替代进行语音信号的前端处理和唤醒词检测等。

Rokid Glasses采用高通骁龙AR1和恩智浦的 RT600 系列芯片组成的双芯片架构。其中，

• 骁龙AR1作为主控应用处理器，它是一颗专为智能眼镜打造的SoC，主要负责处理所有高负载的任务，例如通过处理摄像头拍摄的图像和视频，以及驱动Micro-LED+光波导的显示等。
• 恩智浦RT600芯片配备了Arm® Cortex®-M33 和 Cadence® Xtensa® HiFi4音频DSP，专门承接那些需要长时间运行但计算负载相对较轻的任务，尤其是音频相关的处理。它能够在主芯片骁龙AR1处于深度休眠状态时，以极低的功耗维持“乐奇”的随时唤醒能力，持续监听用户的唤醒指令。

软件算法模块：去掉杂音，精准识别“乐奇”唤醒词

麦克风负责音频信号的采集，DSP提供计算能力，剩下的如何算，算什么就全靠软件了。比如说，硬件采集的声音里有杂音、回声，得靠软件处理，把干净的语音提出来；如何从音频信号中准确计算识别出唤醒词等等。软件设计得好不好，直接决定了唤醒准不准、抗不抗干扰。Rokid Glasses根据设备的场景（方便携带、近场使用、续航能力、容易有杂音），在软件算法上做了不少优化，形成了自己的唤醒方案。

3.1 回声消除（AEC）：把设备自己的声音去掉

回声消除就是从麦克风采集的声音里，把喇叭播放的声音去掉，主要有两种方式：

• 硬件 AEC：靠专门的硬件芯片（比如音频芯片），通过硬件回路参考音实时算回声模型，消除回声的延迟低（≤5 毫秒），适合对实时性要求高的场景，比如视频通话。
• 软件 AEC：用算法（比如 NLMS 自适应滤波）建回声模型，不用额外加硬件，但得补软件传输的延迟 —— 比如先通过时间戳对齐 “参考音信号” 和 “麦克风采集的信号”，再用滤波把回声去掉，能把回声减 40dB 以上。

如上图所示，以单路麦克风为例，进行一个AEC算法的效果演示：将一路麦克风录音数据和一路喇叭回路数据送给AEC算法进行回声消除运算，最终得到一路只包含人声和环境噪声的语音数据。如果是多路麦克风，AEC算法也是每个麦克风通道输出一路语音数据，用作后续的信号处理和唤醒词检测流程。

3.2 前端信号处理（SGP）：去杂音、调音量、定向增强

前端信号处理就是将AEC回声消除之后的信号，去杂音、把音量调均匀、朝着说话方向增强声音，给后续识别唤醒词提供干净的声音，主要有三个功能：

• 噪声抑制（NS）：就是消杂音，比如电视声、风声、键盘声。常用的方法是先分析没声音时的杂音特征，再从混合声音里把杂音减掉。比如在嘈杂的客厅，能把电视声降 30dB 以上，突出你的唤醒词。
• 自动增益控制（AGC）：解决 “近了声音太大、远了声音太小” 的问题。你离设备近（1 米内），就降低音量避免声音失真；离得远（5 米外），就提高音量到合适范围（比如 - 20dBFS~-10dBFS），保证不同距离的声音大小一致。
• 波束成形（BF）：麦克风阵列的 “定向增强” 功能，通过调整每个麦克风的信号权重，形成 “朝着你说话方向的声音波束”，同时减弱其他方向的干扰（比如回声、旁边的杂音）。比如，对于智能音箱类产品来说，你在设备左边 3 米说话，能把左边的声音增强 10-15dB，右边的杂音减 20dB 以上，实现 “只听你说话”。

对于Rokid Glasses来说，通过4路麦克风阵列，结合使用场景就可以定向选择使用哪几路麦克风，比如通话使用后排麦克风精准录制佩戴者声音，确保录音的清晰纯净；聊天翻译使用前排麦克风仅录制对方的声音，进行翻译识别；录像模式使用所有麦克风同时收音原声录制，确保还原最真实的录像场景。

3.3 唤醒词检测（WWD）：核心环节，认出“乐奇”

唤醒词检测很好理解，就是判断用户是不是喊了唤醒词“乐奇”，本质是靠AI模型识别：

• 模型原理：现在主流用深度学习模型（比如 CNN、RNN、Transformer），通过大量唤醒词样本（比如不同人、不同场景下喊 “乐奇”的录音文件）训练模型，让模型能认出唤醒词的声音特征（比如音调、节奏、频谱分布）。
• 检测流程：预处理后的声音先转成频谱特征（比如 MFCC、Fbank），再输入模型，如果模型判断 “是唤醒词” 的概率超过预设值（比如 0.8），就判定唤醒成功，触发设备响应。

相比市面上「天猫精灵」、「小爱同学」、「hey，siri」、「OK，Google」一众智能语音产品的3-4音节唤醒词来说，不管是初代Rokid Alien的“若琪”还是全新Rokid Glasses的“乐奇”，Rokid做到了只用双音节就能唤醒，交互体验更加自然。从4到2，其实是一个比较大的技术门槛。语音唤醒词音节越少，意味着误唤醒率越高，需要做的技术成本和测试成本越高。Rokid凭借过硬的技术实力，为用户带来了一流的交互自然感。

3.4 低功耗场景下的语音唤醒：既要灵敏，又要省电

像智能手表、智能眼镜这类便携式设备，对续航时间是比较敏感的。需要得在省电的前提下实现语音唤醒，方案有很多种，下面介绍其中适应性比较广的 “多级检测”：

• 一级：软硬 VAD 检测：VAD（语音活动检测）先判断有没有人说话 —— 硬件VAD靠简单电路检测声音强度，特别省电（微安级）；不如不支持硬件VAD，也可以在协处理器或者多核异构的小核上运行软件VAD检测算法。
• 二级：小模型唤醒检测：如果VAD检测到有人说话，在协处理器或者多核异构的小核上加载小体积的唤醒模型，快速判断是不是唤醒词，这步耗电相对较少（微安级），响应快。实际应用过程中，可以适当调高这一级唤醒的灵敏度，来平衡功耗和唤醒率。
• 三级：大模型唤醒确认：如果小模型检测到唤醒词，再唤醒主核加载高精度的大模型来做唤醒词的二次确认。因为一级唤醒模型的灵敏度较高，可能会来相对偏高的误唤醒率，所以这一步主要是为了降低误唤醒。这样就实现了大模型和高功耗的主核只在必要时才启用，能大幅省电。

对于Rokid Glasses来说，前面我们提到过，它搭载了一个RT600芯片，专门用于处理语音识别等需求。RT600支持多达 5 种功耗模式：Active（活动）、Sleep（睡眠）、Deep Sleep（深度睡眠）、Deep Power Down（深度掉电）和 Full Deep Power Down（完全深度掉电）。在 AI 眼镜待机时，RT600 可以进入功耗极低的深度睡眠模式，仅保留语音活动检测（VAD）功能，一旦检测到用户的唤醒词或物理按键激活，便能以微秒级的速度唤醒自身及主控AP，同时最大限度地延长 AI 眼镜的待机时间 。

恩智浦半导体官方的测试数据展示了 RT600 系列芯片在不同工作频率下的核心功耗。可以看到，即使在 48 MHz 的活动状态下，其核心功率也仅为 4.795 毫瓦，这与动辄数十毫瓦甚至百瓦级的应用处理器形成了鲜明对比，可以说是 AI 眼镜的低功耗“辅助神器”。

性能指标评估：“乐奇”唤醒体验的量化标准

性能指标设计需全面覆盖 “唤醒 - 识别 - 交互” 全流程，且需清晰界定各指标间的权衡关系，为系统优化提供明确方向。当前阶段，我们暂聚焦于唤醒流程，其核心指标主要包含如下：

指标	定义	标准值（主流产品）	影响因素
唤醒率	成功唤醒次数 / 总尝试次数	≥95%（30dB SNR），≥70%（0dB SNR）	麦克风 SNR、BF 效果、WWD 模型等
误唤醒率	无意图唤醒次数 / 单位时间	≤1 次 / 48小时	动态阈值，模型能力
唤醒响应延时	说完唤醒词到设备响应的时间	≤500ms，最长不可超过1秒	DSP算力、模型效率、提示音等播放延时
唤醒距离	可靠唤醒的最远距离	远场唤醒：5-8 米（8 麦阵列）	麦克风灵敏度、音腔设计

总结

“乐奇” 能够实现应声响应，核心得益于硬件、软件与性能指标的全链路协同支撑。4 麦阵列具备精准定向收音能力与高信噪比，确保唤醒指令能被清晰捕捉；双立体声骨传导喇叭有效减少回声干扰，优化声音交互环境。而骁龙 AR1 与恩智浦 RT600 组成的双芯片架构形成互补，骁龙 AR1 负责承载高负载运算任务，RT600 则凭借低功耗特性，实现待机状态下的持续监听，兼顾性能与续航。回声消除（AEC）、前端信号处理（SGP）与唤醒词检测（WWD）构建起完整技术闭环。不仅能滤除环境杂音、增强人声辨识度，更突破了双音节唤醒的技术限制，在降低误唤醒概率的同时，让人机交互更具自然感。