Maskinoversættelse · Engelsk original

Registrering af aktiveringsord / nøgleord

Den SpeechWakeWord modul kører en on- enhed søgeord spotter: du registrerer en liste over sætninger, skubbe lyd stykker i, og modtage detektioner. Baseret på icepalls streaming Zipformer transducer (3.49M params, Apache-2.0), kompileret til CoreML med INT8 palettization.

Kun engelsk

Den leverede checkpoint er gigaspeech KWS fine- tune. Ikke-engelske søgeord har brug for en separat icefall fine- tun og re- export.

Arkitektur

FaseDetaljer
fbankkaldi- kompatibel (25 ms / 10 MS, Povey vindue, 80 mel bins, high_freq=-400, ingen CMVN)
Encoder6- Sceneårsagssammenhæng Zipformer2 (128- dim), 45 mel rammer i → 8 Rammer ud (40 ms / frame) - 3.3 MB INT8
AfkoderStencilsStatless transducer, BPE-500 vocab, kontekststørrelse 2 - 525 KB FP16
Joiner FormandLinear + tanh output projection - 160 KB INT8
DecodeCity in ItalyModificeret beam søgning (beam = 4) over en Aho- Corasick ContextGraph af brugernøgleord

Kompileret størrelse på disk: ~ 4 MB I alt (encoder.mlmodelc + decoder.mlmodelc + joiner.mlmodelc). Runtime hukommelse: ~ 6 MB herunder encoder tilstand cache.

Præstation

MetricVærdiBemærkninger
RTF (CPU + Neural Engine)0.0426 × realtid på M- serie
Genindspilning (12 søgeord)88%LibriSpeech test- clean, 158 positive udtalelser
Falsk positives / yutterance0.2760 negative udtalelser
CoreML INT8 vs PyTorch FP3299%Emissionsaftale

Tunerede standardværdier: acThreshold=0.15, contextScore=0.5, numTrailingBlanks=1Per- søgeord tilsidesætter understøttet.

CLI-brug

Plain-sætning form (grådige BPE - fungerer godt for almindelige ord):

speech wake recording.wav --keywords "hey soniqo"

speech wake recording.wav --keywords "hey soniqo:0.15:0.5" "cancel"

Præ- toxized form (sherpa- onnx stil - anbefales, når du kender den nøjagtige nedbrydning modellen blev trænet på):

# Format: "phrase|piece1 piece2 ...:threshold:boost"
speech wake recording.wav \
    --keywords "LIGHT UP|▁ L IGHT ▁UP:0.25:2.0"

# Multiple keywords + JSON output
speech wake recording.wav \
    --keywords "LIGHT UP|▁ L IGHT ▁UP:0.25:2.0" \
               "LOVELY CHILD|▁LOVE LY ▁CHI L D:0.25:2.0" \
    --json

Eller en nøgleordfil, en indgang pr. linje (# for kommentarer):

speech wake recording.wav --keywords-file keywords.txt

Swift API

import SpeechWakeWord

// Load the model with your keyword list.
let detector = try await WakeWordDetector.fromPretrained(
    keywords: [
        KeywordSpec(phrase: "hey soniqo", acThreshold: 0.15, boost: 0.5),
        KeywordSpec(phrase: "cancel")
    ]
)

// Streaming: push chunks, consume detections as they fire.
let session = try detector.createSession()
for chunk in micAudioChunks {                   // Float32 @ 16 kHz
    for detection in try session.pushAudio(chunk) {
        print("[\(detection.time(frameShiftSeconds: 0.04))s] \(detection.phrase)")
    }
}

// Batch: single shot over a full buffer.
let detections = try detector.detect(audio: samples, sampleRate: 16000)

KeywordSpec

FeltBetydning
phraseVis sætning, f.eks. "hey soniqo". Anvendes også som kilde til grådige BPE kodning, når tokens er 0.
acThresholdDen gennemsnitlige akustiske sandsynlighed, der kræves over det matchede span. 0 → brug tunet standard (0.15).
boostPer- token kontekst boost. Positive værdier gør sætningen lettere at udløse. 0 → brug tunet standard (0.5).
tokensValgfri eksplicit BPE stykke liste. Når non-nul, detektoren ser hvert stykke op i modellens tokens.txt og omgår den grådige BPE-indkoder.
Hvornår skal du bruge præ- toxized tokens

Icefal KWS ordforråd er uppercase BPE. Grådig tilpasning af en sætning kan vælge en anden BPE nedbrydning fra den, modellen blev trænet til at udsende - "LIGHT UP" greedy- koder til ▁LI GHT ▁UP men træningen dekomponering er ▁ L IGHT ▁UP. Når detektering på TTS- syntetiseret eller ren læse tale savner indlysende kampe, prøv sherpa- onnx- stil pre- pre- toxized form.

Model Downloads

ModelParambolerStørrelseHuggingFace
KWS-Zipformer-3M3.49M~ 4 MBaufklarer / KWS-Zipformer-3M-CoreML-INT8

Integrering af rørledninger

Modulet udsætter en WakeWordProvider protokol, der spejle StreamingVADProviderEn stemmerørledning kan aktivere VAD, wake- word eller begge dele. WakeWordStreamingAdapter wraps en indlæst detektor + en enkelt session i en genanvendelig udbyder objekt.

let adapter = try WakeWordStreamingAdapter(detector: detector)
// pipeline.configure(wakeWord: adapter)

Kilde