

孩子喊到第三声,毛绒熊才应;电视里飘出一句发音相近的广告词,没人叫它,它倒抢着答了。这两个现象指向同一件事:端侧唤醒不是一颗麦克风加一段算法就能交差的活,它是一条从拾音到应声的完整链路,任何一段没对齐,孩子那边收到的就是「聋」或者「乱插嘴」。我们梯度算子做 AI 玩具机芯这几年,被问得最多的问题就是「端侧唤醒怎么实现」,今天按这条链路从头到尾拆一遍,每一段都落到具体做法和可验收的动作上。
耳朵装在哪,距离就写多少
玩具收声音靠一颗小麦克风,外面裹着布、里面垫着棉,声音要穿过这两层才落得到振膜上。所以第一件要确认的不是算法多强,是开孔位置对不对:既不能正对孩子常贴脸的那一面,也不能被填充棉捂死。布和棉吃掉的多是高频,声音发闷还是清亮,缝进去那一刻就定了大半。外壳开孔再大一点手感就差一点,电池再加一块抱起来就重一点,这些矛盾只能一版版试,试出来的结论最后写成一个数字——按我们 LX 系列配置表的标称,有效拾音距离写的是三米。
这个数怎么用,决定了它是资产还是隐患。把它当可靠范围:孩子站在三米以内喊,声音能稳定收进来;出了这个圈,收不全是正常的。把它当极限去宣传,售后就会替你把差额补上。孩子抱着玩具说话本来就在一臂之内,上述标称距离覆盖的是客厅里站着喊的那一声,这个范围跟真实玩法是对得上的。
多数机芯只装一颗麦克风,把位置和距离写实在,比堆数量管用。真上多颗,声音从不同方向进来有时间差,指向性确实能压误触发,代价是成本和功耗一起涨。阵列听着先进,装不进布绒里就只是说法。
唤醒只答一道是非题
这里有个高频混淆点值得单独摆出来:唤醒只回答一个是非题——刚才那声是不是在呼唤我。答案是是,才轮到后面接话;答案是否,玩具继续装睡。正因为任务这么窄,这套判断可以做得足够小,小到塞进主控里还能跑一整天待机。把唤醒和对话混为一谈,就会对端侧抱一堆没必要的指望,模型越做越大,误触发反而越防越多。
语音交互本身要走云端:孩子说完指令,音频经由云端识别后执行,需要保持联网。唤醒这一环留在本地,是为了在云端来回之前先把「要不要应」这件事定下来。两者分工清楚,链路才不打架。我们梯度算子的 NT 系列更轻,纯 UART 指令帧驱动,无 AI、无云、无 SDK,不做对话,自然也没有唤醒这一环——要不要唤醒,先问产品要不要对话。
唤醒词是一场跟日常口语的拉锯
唤醒词常取角色名字,孩子记得住、喊得齐,两三个字最好叫。但名字越好叫,越容易跟日常对话撞车。词拖长了撞的机会小,孩子又容易喊不齐,喊到一半停了,玩具到底应不应。定稿之前把家里的口头禅、动画片台词过一遍,撞车的词趁早换掉——这一步花的是半天,省的是上市后反复推版。
误触发和漏唤是一对要同时防的矛盾。没人叫它也说话,一次两次新鲜,次次多就是打扰,深夜里自己开口尤其劝退;孩子喊三声一声没应,第四次声音就小一点,第五次干脆不喊了。只防一头,另一头会以退货的形式回来。工程上的三样办法不神秘:置信度门槛,够像才算数;二次确认,越是常见用词越值得让孩子再喊一声;上下文收紧,放故事时敏感一点,夜深人静就收一收。难的是按场景调到位,不是有没有这三样。
主控与双栈:应声要在云端来回之前发生
该由谁来跑这些判断,答案是主控。LX 系列用 ESP32 系列主控,唤醒、本地逻辑都跑在它身上,算力和功耗边界是清楚的——装得下唤醒那套小判断,也扛得住一整天待机。玩具里的每一点功耗都要按孩子整天抱着它来算,选主控不是挑参数好看的,是选装得下这条链路又跑得起电的。
芯片之上还有一层分工,在 LX002 上最清楚:本地 ESP-IDF SDK 加 Nablai 私有云 API 的双栈。本地那套开发框架负责唤醒和该在设备里答的应答;云端接过长的、新的、会变的那部分。为什么唤醒必须留在本地,原因很硬——孩子叫名字那一刻要的是立刻应声,等云端绕一个来回,那句应答就晚了。断网的下午,孩子喊名字,玩具还应得了声,常用的那几句应答也在本地;联网之后云端接着管对话。买机芯时问一句「断网时它应什么」,比问云端模型多强更接近真相。
配网顺序,立项时就要定
LX 系列的联网方式是 Wi-Fi 加 BLE,Wi-Fi 为主,蓝牙在旁边搭把手。第一次配置最劝退:对着一个还不会说话的玩具输密码,等于把门槛设在门口。蓝牙辅助的意思是把这段路铺平,先在近场把玩具认出来,再把密码递过去。配网顺不顺,决定孩子有没有机会喊出第一声。
配网和唤醒的先后,是立项时的选择题。先应声再联网,玩具拆封就能喊应,云端内容随后跟上;先联网再应声,开箱体验更完整,代价是断网时哑得彻底。LX002 的默认配置是把唤醒放在本地那侧——先应声,再联网;这是默认配置,客户可以按产品定义改成先联网再应声。
型号怎么读,边界怎么写
我们梯度算子现在有 TY、LX、NT 三条线,本篇讲的唤醒链路主要落在 LX 系列。型号怎么读,一句话:平台字母加结构位,再叠加功能字母。结构位 001 是分体版、002 是一体版;功能字母 D 基础、A 触摸震动陀螺仪、T TF 卡、V 摄像头、4G 联网,加哪个字母就有哪项功能。比如 LX001-DATV-4G,读下来就是 LX 分体版,带触摸震动陀螺仪、TF 卡、摄像头和 4G。
4G 是可选功能,LX/TY/BK 的分体与一体版都能按配置加;NT 是指令机芯,不带 4G。具体某款配到什么程度,以配置表为准。
诚实讲边界,头一句是距离。上述标称距离是可靠拾音的范围,不是耳朵的极限,更不是承诺。孩子在阳台喊,玩具就该听不见,听见了反而要查是不是误触发。第二句是环境:客厅开着电视、楼下在装修、几个孩子同时喊,这些场景下误触发和漏唤都会变多,靠谱的做法是按场景调灵敏度,而不是承诺一个放之四海皆准的准确率。第三句是唤醒词,它不是越长越好也不是越短越灵,是孩子喊得齐又不太撞日常的那几个字。
验收动作可以朴素,但要真实:三米之内喊名字要应,三米之外老不应声,两边都算正常;开着电视测半小时,数它抢答几回;再把孩子叫来喊三声,数他应几声。分贝计和测试房替代不了的,是让真实年龄段的孩子来喊那一嗓子。测唤醒不能只站着测,抱着凑到耳边说、躺床上朝床头喊、一边跑一边回头喊,三种姿势的声音强弱和方向都不一样,一样样喊过来才算过。
爬坡时最容易露出来的偏差,是每只玩具的麦克风装得不一样。同一种麦克风,缝进去偏一毫米,拾音就差一截,批次之间跟着波动。单只测着都好,整批一抽检就露馅。把装配顺序和自检流程定下来,上述标称距离才能在每个批次里都作数。上市之后的收敛靠远程升级:LX 系列支持远程升级(以具体配置为准),前提是联网配网已经完成,固件推一版,词表、阈值、兜底应答都能跟着调。但改词有代价——唤醒词是跟结构、声学、灵敏度一起调出来的,换一个词,撞车的话换一批,阈值要跟着重调。
常见问题
Q:AI 玩具的端侧唤醒是怎么实现的?
它是一条链路。声音先由麦克风收进来,按 LX 系列配置表标称,有效拾音距离是三米;再由本地判断是不是那声呼唤,最后由主控决定应不应声。唤醒与本地逻辑跑在设备侧的 ESP-IDF SDK 那套栈上;语音指令本身经由云端识别后执行,需要保持联网。我们把唤醒讲成链路,每一段的边界都写明。
Q:唤醒为什么要放在端侧,不能放到云端?
因为孩子叫名字那一刻要的是立刻应声,等云端绕一个来回就晚了。LX002 走本地 ESP-IDF SDK 加 Nablai 私有云 API 的双栈,唤醒和本地逻辑在设备侧,断网也应得了声;对话、内容、账户在云端。本地管应声,云端管聊得下去。需要说清的是,这不等于断网也能自由对话——没有本地大模型,断网后对话能力是有限的,能应声和能聊天是两件事。
Q:麦克风拾音多远算够用?
按 LX 系列配置表标称,写的是三米。孩子抱着玩具说话本来就在一臂之内,这个距离覆盖的是站着喊的那一声。出了这个圈声音收不进来,再灵的算法也没用。建议按圈内圈外分别验收:圈内喊名字要应,圈外老不应声,都算正常。
Q:唤醒词是越长越不容易误触发吗?
不是。词太长孩子喊不齐,唤不醒;词太短又容易跟日常口语撞,电视里一句相似的话就抢答。唤醒词常取角色名字,两三个字好叫也好记。误触发靠门槛、二次确认和上下文压,不靠把词拖长。
Q:语音识别是在本地完成的吗?
不是。唤醒判断在本地,语音识别在云端、需要联网。这两件事经常被混着说,写方案时要把口径统一:本地负责「是不是叫我」,云端负责「我说了什么」。
Q:NT 系列为什么没有唤醒这一环?
NT 系列是指令机芯,纯 UART 指令帧驱动,无 AI、无云、无 SDK,整机本身就是执行机构,智能在外部主控侧。它不做对话,自然不需要唤醒。LX/TY/BK 平台则是主控 MCU 通过 UART 连接并驱动执行机构 MCU,UART 是板级连接方式,整机仍有本地栈与云端协同,不能把两类混为一谈。
Q:验收唤醒最省事的办法是什么?
三件事。三米内外分别喊名字,记应声次数;开电视跑半小时,记抢答次数;把孩子叫来喊三声,数他应几声。三项都过再谈云端。表上写清拾音多远、唤醒词是哪几个字、断网时应什么,这三行填不出来,方案就还没到位。












