前言

在智能语音产品开发过程中，开发者往往能够快速掌握基础的唤醒词和命令词配置，但 SmartPi 平台提供的许多高级功能却经常被忽视或误解。这些高级功能包括自然说、声纹识别、声源定位、AEC 打断等，它们能够显著提升产品的识别准确率和用户体验。

本文将系统性地介绍 SmartPi 平台固件配置中的各项高级功能，帮助开发者从基础配置进阶到高级应用，打造更专业、更智能的语音交互产品。

一、产品特性功能全景解析

SmartPi 平台提供了一系列高级音频处理功能，这些功能根据不同的应用场景，可以显著提升语音识别的准确率和用户体验。

1.1 功能对比一览

| 功能                 | 作用                   | 适用场景                       | 硬件要求        |

| ---------------------- | ------------------------ | -------------------------------- | ----------------- |

| 降噪       | 减少环境噪声干扰       | 家庭、办公室等有背景噪声的环境 | 单 MIC          |

| 降混响     | 处理空间反射和回声     | 客厅、会议室等较大空间         | 单 MIC          |

| 降人声干扰 | 区分目标用户和其他人声 | 多人使用场景                   | 单 MIC          |

| 自学习     | 学习用户发音习惯       | 个人专用设备                   | 单 MIC          |

| 声纹识别   | 区分不同用户           | 多用户家庭场景                 | 单 MIC          |

| AEC 打断   | 消除回声，允许语音打断 | 需要中断播报的场景             | 单 MIC + 扬声器 |

| 声源定位   | 识别声音来源方向       | 双麦克风阵列设备               | 双 MIC          |

1.2 降噪功能详解

工作原理：

降噪功能通过数字信号处理算法，从麦克风采集的音频中分离出环境噪声成分并予以抑制，从而提升语音信号的信噪比。

配置建议：

| 环境类型 | 推荐设置 | 注意事项                     |

| ---------- | ---------- | ------------------------------ |

| 安静卧室 | 可不开启 | 避免过度降噪影响音质         |

| 客厅环境 | 建议开启 | 有电视等背景噪声时效果明显   |

| 办公室   | 建议开启 | 空调、键盘声等可被有效抑制   |

| 车载环境 | 强烈建议 | 发动机噪声、风噪需要降噪处理 |

1.3 降混响功能详解

什么是混响？

混响是指声音在封闭空间内经过多次反射后形成的持续余音。过强的混响会导致语音识别准确率下降。

适用场景：

• 空间较大的客厅（>30㎡）
• 有较多硬质表面的房间（瓷砖、玻璃等）
• 会议室、教室等环境

配置建议：

判断标准：
1. 在房间内拍手，听是否有明显回声
2. 说话时感觉声音"空"或有"余音缭绕"感
3. 安装位置距离墙壁、玻璃等反射面较近（<1米）
如果满足以上任一条件，建议开启降混响功能。

1.4 声纹识别功能

功能说明：

声纹识别是通过分析说话人的声音特征（如音调、频率、韵律等）来区分不同用户的技术。与语音识别不同，声纹识别关注的是"谁在说话"而非"说了什么"。

应用场景：

配置步骤：

1. 在平台开启"声纹识别"功能
2. 为每个需要识别的用户录制声纹样本
3. 在控制逻辑中使用声纹作为判断条件
4. 设置不同声纹对应的差异化行为

注意事项：

• 声纹录制应在安静环境下进行
• 每个用户需要多次录制以提高准确率
• 感冒、声音变化时可能影响识别效果
• 声纹识别需要一定的计算资源，需确保模组性能足够

1.5 AEC 打断功能

什么是 AEC？

AEC（Acoustic Echo Cancellation，声学回声消除）是一种用于消除扬声器播放声音与麦克风拾音之间回声的技术。

打断功能的实现：

开启 AEC 打断后，用户可以在设备播报语音时直接说话，设备会自动停止播报并识别用户的语音指令。

配置建议：

开启条件：
✅ 产品需要快速交互响应
✅ 用户需要能够随时中断播报
✅ 扬声器与麦克风距离较近（<50cm）
关闭条件：
❌ 产品仅需单向播报，无需用户响应
❌ 麦克风与扬声器距离足够远且有良好隔离
❌ 对成本敏感，无需打断功能

二、自然说功能深度解析

自然说（Natural Language Understanding）是 SmartPi 平台的一项重要功能，它允许用户使用更自然的表达方式触发命令，而不必严格按照预定义的命令词格式。

2.1 自然说 vs 普通命令词

| 特性       | 普通命令词             | 自然说             |

| ------------ | ------------------------ | -------------------- |

| 命令词数量 | 支持多条（用\|分隔）   | 仅支持一条         |

| 泛化支持   | 不支持                 | 支持多条泛化词     |

| 识别精度   | 高（必须匹配预定义词） | 中（依赖算法泛化） |

| 用户灵活性 | 低                     | 高                 |

| 适用场景   | 精确控制               | 自然对话           |

2.2 泛化模式配置

SmartPi 平台支持三种泛化模式：

1. 系统自动泛化

系统根据命令词自动生成相似的泛化表达：

命令词：打开空调
系统自动泛化可能包括：
- 把空调打开
- 帮我开空调
- 空调打开一下
- 能不能开空调

2. 用户指定泛化

开发者手动添加常用的泛化词：

命令词：打开空调
泛化词：开空调|空调开机|启动空调

3. 系统自动 + 用户指定

结合两种方式，获得最全面的泛化覆盖。

2.3 自然说配置限制

| 限制项       | 说明                               | 建议                         |

| -------------- | ------------------------------------ | ------------------------------ |

| 单命令词限制 | 开启自然说后只能设置一条命令词     | 选择最核心的表达作为主命令词 |

| 泛化词数量   | 虽然可以添加多条，但过多会影响性能 | 建议 5-10 条常用表达         |

| 误识别风险   | 泛化范围越广，误识别概率越高       | 避免过于宽泛的表达           |

2.4 配置示例

场景：灯光控制

不使用自然说：
命令词：打开灯|开灯|亮灯|开启照明|灯开了
使用自然说：
命令词：打开灯
泛化词：开灯|把灯打开|灯打开|帮我开灯|开一下灯
对比优势：
- 配置更简洁
- 覆盖更自然的表达
- 用户说话更随意

三、双麦克风功能详解

3.1 单 MIC vs 双 MIC

| 特性       | 单 MIC        | 双 MIC                   |

| ------------ | --------------- | -------------------------- |

| 成本       | 低            | 较高                     |

| 降噪能力   | 基础          | 强（波束成形）           |

| 声源定位   | 不支持        | 支持                     |

| 识别距离   | 近场（<2 米） | 远场（3-5 米）           |

| 安装复杂度 | 简单          | 需要注意麦克风间距和布局 |

3.2 声源定位功能

工作原理：

双麦克风通过分析声音到达两个麦克风的时间差和相位差，计算出声源的方向角度。

典型应用：

• 智能摄像头：转向说话人方向
• 智能音箱：定向拾音，提升识别率
• 会议系统：识别发言人位置
• 机器人：朝向用户移动

硬件设计要点：

麦克风间距建议：
- 4-6cm：适合桌面设备，定位精度适中
- 10-15cm：适合较大设备，定位精度更高
- >20cm：定位精度提升有限，但设备尺寸增大
安装注意事项：
1. 两个麦克风应在同一水平线上
2. 避免中间有遮挡物
3. 与扬声器保持足够距离
4. 麦克风孔径设计要合理

3.3 双麦算法说明

重要提示：

双麦算法是固定封装在固件中的，平台配置只能选择是否启用， 无法调整算法参数。如需定制算法，需要通过 SDK 进行二次开发。

影响双麦效果的因素：

1. 麦克风一致性：两个麦克风的灵敏度、频响特性应尽量一致
2. 间距精度：实际间距与设计间距的偏差会影响定位精度
3. 环境因素：强反射环境会降低双麦算法效果

四、识别灵敏度调优

4.1 灵敏度三档详解

| 灵敏度       | 识别效果             | 误识别率 | 触发距离 | 典型应用           |

| -------------- | ---------------------- | ---------- | ---------- | -------------------- |

| 低 | 需要靠近、清晰发音   | 最低     | <1 米    | 卧室、图书馆       |

| 中 | 平衡状态             | 中等     | 1-3 米   | 大多数场景（推荐） |

| 高 | 容易唤醒，远距离可用 | 最高     | 3-5 米   | 嘈杂环境、大房间   |

4.2 灵敏度与产品特性的协同

调优策略矩阵：

| 环境特征   | 推荐灵敏度 | 建议开启的功能      |

| ------------ | ------------ | --------------------- |

| 安静小房间 | 低         | 无需额外功能        |

| 家庭客厅   | 中         | 降噪                |

| 嘈杂商场   | 高         | 降噪 + 降人声干扰   |

| 车载环境   | 高         | 降噪 + AEC          |

| 会议室     | 中         | 降混响 + 降人声干扰 |

4.3 调优流程

步骤1：使用默认"中"灵敏度测试
    ↓
步骤2：在实际使用环境中收集反馈
    ↓
步骤3：根据问题类型调整
    - 经常喊不出 → 提高灵敏度
    - 经常误唤醒 → 降低灵敏度
    ↓
步骤4：配合防误识别词优化
    ↓
步骤5：反复测试直至平衡

五、防误识别词配置策略

防误识别词是降低误唤醒率的重要手段，合理配置可以显著改善用户体验。

5.1 配置规则

• 不能与唤醒词、命令词重复
• 多条词条之间用 | 分隔
• 示例： 你好|在吗|小美|小爱

5.2 必加防误识别词的场景

场景 1：命令词部分匹配

命令词：打开灯光
防误识别词：打开|灯光
原因：防止只说"打开"或"灯光"也被识别

场景 2：相似前缀命令词

命令词列表：打开空调|打开风扇|打开灯光
防误识别词：打开
原因：防止说"打开"时误触发任一命令

场景 3：常见口语词汇

防误识别词：你好|在吗|喂|哈喽
原因：这些都是高频日常用语

5.3 竞品唤醒词处理

虽然从法律角度不建议使用与竞品相同的唤醒词，但如果产品设计中确实可能识别到竞品唤醒词，建议：

方式1：添加防误识别词
防误识别词：小爱同学|天猫精灵|小度小度
方式2：差异化设计
选择独特的唤醒词，从源头避免冲突

六、回复语与多音字处理

6.1 回复语设计规范

| 规则     | 说明                     | 示例                                       |

| ---------- | -------------------------- | -------------------------------------------- |

| 长度限制 | 单条不超过 500 字符      | -                                          |

| 数字处理 | 避免阿拉伯数字 | 使用"十五度"而非"15 度"                    |

| 多回复语 | 用 \| 分隔，随机选择  | "已开灯\|好的，已打开\|照明已开启" |

6.2 多音字标注

为什么要标注多音字？

TTS（文字转语音）引擎在遇到多音字时，默认按照常见读音播报，可能导致专业术语或特定场景下的读音错误。

标注格式：

格式：[=拼音]
拼音声调范围：1-4（一声到四声）、5（轻声）

常见多音字示例：

| 词汇 | 错误读音     | 正确标注            | 播报结果    |

| ------ | -------------- | --------------------- | ------------- |

| 调整 | diào zhěng | [=tiao2]整    | tiao2 zheng |

| 中风 | zhōng fēng | 中[=zhong4]风 | zhong1 feng |

| 长大 | cháng dà   | [=zhang3]大   | zhang3 da   |

| 质量 | zhì liàng  | 质[=zhi3]量   | zhi4 liang  |

实用示例：

原始回复语：已调至中档
优化后：已[=tiao2]至中[=zhong1]风档
效果：播报时使用正确的读音

七、固件配置完整流程

7.1 新手推荐配置路径

入门级配置（10 分钟上手）：

1. 基础设置
   - 唤醒词：4个字，易开口
   - 命令词：3-5条基础控制
   - 灵敏度：中
   - 回复语：简洁清晰
2. 测试验证
   - 烧录测试
   - 简单场景验证

进阶级配置（30 分钟完善）：

1. 语音优化
   - 开启降噪（如需要）
   - 调整灵敏度
   - 配置防误识别词
2. 功能扩展
   - 多命令词配置
   - 条件控制逻辑
   - 变量控制应用

专业级配置（2 小时深度优化）：

1. 高级功能
   - 声纹识别（多用户场景）
   - AEC 打断（交互类产品）
   - 声源定位（双麦设备）
2. 精细调优
   - 自然说泛化配置
   - 多音字标注
   - 识别灵敏度与产品特性协同

7.2 配置检查清单

在生成固件前，建议进行以下检查：

基础检查：
□ 唤醒词符合规范（4个字，非敏感词）
□ 命令词设置合理，无冲突
□ 回复语中无阿拉伯数字
□ 多音字已正确标注
功能检查：
□ 灵敏度设置适合应用场景
□ 防误识别词已配置
□ 双麦功能（如启用）硬件支持
高级检查：
□ 自然说泛化词合理
□ 产品特性功能符合需求
□ TTS 播报音编号已确认

八、常见问题排查

8.1 功能相关问题

| 问题           | 可能原因                 | 解决方案                   |

| ---------------- | -------------------------- | ---------------------------- |

| 识别不灵敏     | 灵敏度设置过低           | 提高灵敏度档位             |

| 经常误唤醒     | 灵敏度过高或唤醒词太普通 | 降低灵敏度，添加防误识别词 |

| 双麦功能无效   | 硬件不支持或未正确配置   | 检查硬件，确认已启用双麦   |

| 自然说无效果   | 命令词设置不正确         | 确认自然说开关和命令词配置 |

| 多音字读音错误 | 未进行拼音标注           | 使用 [=拼音] 标注      |

8.2 固件生成问题

问题：固件生成失败

排查步骤：

1. 检查网络连接
2. 确认命令词格式正确（无特殊字符）
3. 检查 TTS 播报音数量是否超限
4. 确认所选模组支持当前配置的所有功能

问题：固件烧录后无响应

排查步骤：

1. 确认固件版本与模组型号匹配
2. 检查烧录工具和连接线
3. 尝试重新烧录
4. 检查模组硬件是否正常

总结

SmartPi 平台提供了丰富的固件配置选项，从基础的唤醒词、命令词到高级的自然说、声纹识别、双麦等功能。掌握这些高级功能的配置方法，能够帮助开发者打造更专业、更智能的语音交互产品。

核心要点回顾：

1. 产品特性：根据实际应用场景选择合适的功能组合
2. 自然说：平衡识别灵活性与误识别风险
3. 双麦功能：硬件设计需要配合，算法参数无法调整
4. 灵敏度调优：从"中"档位开始，根据实际效果调整
5. 防误识别：合理配置可以显著降低误唤醒率
6. 多音字标注：使用 [=拼音] 确保专业术语播报正确

记住： 优秀的产品不是堆砌功能，而是根据实际需求选择最合适的配置。建议从基础配置开始，逐步添加高级功能，通过实际使用反馈不断优化。

参考资料

• SmartPi 固件配置参数详解
• SmartPi 平台新手入门指南
• 模块选型与性能对比