【征文计划】Rokid 语音唤醒技术深度解析：从声学模型到低功耗优化实践

一、来认识一下 Rokid：那个让设备 “秒懂你” 的 AR 交互行家

提起 AR（加强现实）这个圈子，必定要提及 Rokid 这家公司，它一直致力于研究“自然人机交互”。设想一下，你佩戴着 Rokid AR 眼镜，随便说一句“若琪，导航去咖啡厅”，设备就会马上为你做好一切准备，这靠的就是 Rokid 自家研发的语音唤醒系统。

在国内，可以全面掌握语音交互技术的公司并不多，Rokid 属于其中之一，它给自家诸如 Station 系列，Rokid Max 眼镜之类的宝贝设备装上了灵敏的“耳朵”，并且还慷慨地经由开放平台（ar.rokid.com）把这套技术共享给所有的开发者，使得大家能够轻而易举地开发出“一喊即应”的智能设备，归根结底，Rokid 的语音唤醒技术就在于高唤醒率，低误触率，超省电这三件宝物之上，也正因为如此，它才成为 AR 设备达成“无感交互”的重要一步。

二、技术探秘：三层架构如何让设备“听得清、听得懂、还省电”？

想象一下，你正在热气腾腾的火锅店里同朋友聊天，想要唤醒自己的AR眼镜，这个过程中，设备内部需执行三项任务：“去除杂音”“识别唤醒词”“省电聆听”，这正好与Rokid语音唤醒技术的三层架构相对应，下面，我们就用通俗易懂的语言，并融入一些技术要点，来剖析其中的原理。

1. 声学前端处理：先让麦克风“盯准你”的声音（硬件 + 算法双管齐下）

核心技术架构图

① 波束成形（Beamforming）：让所有麦克风都“朝向你”

设备并非仅仅配备单个麦克风，其存在诸多麦克风，譬如 Station Pro即包含四个合成的麦克风阵列，这些麦克风可智能识别声音抵达各个麦克风的先后次序，并携手创建起“定向声波束”，此声波束犹如一道无形聚光灯，专门提升面向你这一侧的声音，而将周围杂乱无章的噪音抑制。

• 打个比方：这就像一群摄影师，镜头全都对准站在C位的你，周围的路人甲乙丙丁自动就被虚化处理了。

• 技术上怎么玩：开发者可以通过 SDK 来设定这个“聚光灯”照向哪、照多宽。比如说，如果用户习惯用右手拿设备，那就可以把波束指向右前方 45° 的位置（代码就是这样：SetBeamDirection(new Vector3(0.7f, 0, 0.7f))）。

② 噪声抑制（ANS）：给你的声音“洗个澡”

设备里内置了一个深度神经网络模型，它会实时分析周围的背景噪音（比如火锅的咕嘟声、敲键盘的噼啪声），然后生成一种“反向噪声波”把这些干扰给抵消掉。

• 数据说话：在高达 75dB 的噪音环境（差不多就是地铁里）中，唤醒词的识别率照样能达到 98%，比一般的方案高出了 15%。

• 三种模式可选：提供了轻度（会议室）、中度（办公室）、重度（商场）三种降噪模式，开发者用一个NoiseSuppressionLevel参数就能灵活切换（默认是中度）。

2. 唤醒词检测：一个轻巧模型如何“听懂千变万化的你”？

算法流程图

① 动态适应你的发音习惯

这里用到了一个叫 动态时间规整（DTW） 的技术，它能自动对齐不同语速和口音。简单说，不管你是把“若琪”拖长了音喊成“ruò——qí”，还是很快地念成“ruǒqi”，模型都能认出来是同一个意思。

• 防误触训练：为了防止你无意中说出“罗琦”或“诺奇”这样的词就意外唤醒设备，工程师们用了超过 20 万个干扰词来“折磨”模型，最终让设备每天的误触次数少于 0.3 次（要知道，行业平均可是每天 1 次）。

② 模型要够“轻”

Rokid 用的是一套 CNN-LSTM 混合模型，整个模型大小还不到 5MB。这意味着它根本不需要联网，直接在设备上就能跑起来，反应超快。而且不管你是用 Unity 还是原生 Android 开发，都能很方便地把它集成到你的应用里。

3. 低功耗引擎：让设备“待机一整天也不慌”

两级唤醒架构（先“粗听”再“细听”）

节能的秘密武器

• 硬件级配合：唤醒引擎和芯片（SoC）是深度绑定的，它会巧妙地利用 DSP（数字信号处理器）这个“小助手”来专门处理音频，让主 CPU 的占用率不到 5%，直接把续航时间延长了 20%。

• 智能休眠大法：设备还会通过环境光传感器（比如晚上光线暗了就自动降低采样率）和人体检测（比如你半天没动弹，它就减少检测频率）来偷懒，进一步省电。

三、上手实战：3 步给你的 App 安上“顺风耳”（以 Unity 为例）

1. 搭好开发环境（手把手教你）

步骤 1：下载并安装 Rokid UXR SDK

1. 直奔 Rokid 开放平台 SDK 下载页，把 SDK 抱回家。

2. 解压下载好的.unitypackage文件，然后打开你的 Unity 项目（新手建议新建一个空项目，或者用 AR 模板项目）。

3. 在 Unity 菜单栏找到 “Assets > Import Package > Custom Package”，选中刚刚解压的文件，点一下就导入成功了。

步骤 2：配置一下项目的基础设置

1. 给麦克风开权限：

-   在 Project Settings > Player > Android（或者 iOS）里，找到 “Microphone Usage Description”，填一句好听的申请理由（比如“需要麦克风权限才能听到您的呼唤哦”）。

-   如果你是做 Android 开发，要确保AndroidManifest.xml文件里有这行代码：

```xml

```

2. 设置 XR 插件：

在 Project Settings > XR Plug-in Management 里面，记得勾选上 “Rokid UXR” 插件，这样才能保证设备连接和画面渲染不出问题。

2. 核心代码敲起来（注释管够，错误帮你想到）

步骤 1：写一个唤醒引擎的初始化脚本

using UnityEngine;  using Rokid.UXR;  public class VoiceWakeupController : MonoBehaviour {  // 这些参数可以直接在Unity编辑器里拖拖拽拽调整，很方便  [Header("唤醒配置")]  public float wakeupThreshold = 0.7f;        // 唤醒的灵敏度，越高越“迟钝”（0-1）  public NoiseSuppressionLevel noiseLevel = NoiseSuppressionLevel.Level2;  // 降噪的力度  private void Awake() {  // 先把唤醒需要的配置准备好  var config = new RokidVoiceWakeupConfig {  Threshold = wakeupThreshold,  NoiseSuppressionLevel = noiseLevel,  EnableEnvironmentalAdaptation = true,  // 让它自己适应环境噪音，很智能  EnableDynamicGainControl = true         // 自动调整音量，人声更清晰  };  // 初始化语音管理器（这一步必须在主线程里做）  if (!RokidVoiceManager.Instance.InitWakeup(config)) {  Debug.LogError("糟糕，唤醒引擎初始化失败了！快检查下SDK是不是没导对，或者权限没开？");  enabled = false;  // 脚本都跑不起来了，直接禁用掉  return;  }  // 注册一个唤醒成功的回调，告诉我们“我被唤醒啦！”  RokidVoiceManager.Instance.OnWakeup += () => {  Debug.Log($"[唤醒成功] 在这个时间点：{System.DateTime.Now}");  HandleWakeupResponse();  // 喊醒了，该干活了  };  // 注册一个错误回调，这是救命稻草！能帮我们抓住底层的异常  RokidVoiceManager.Instance.OnError += errorCode => {  string errorMsg = RokidVoiceError.GetErrorString(errorCode);  Debug.LogError($"唤醒引擎出错了：{errorCode} - {errorMsg}");  };  }  private void HandleWakeupResponse() {  // 举个例子：唤醒后弹个交互界面，然后开始语音识别  if (UIInteractionPanel != null) {  UIInteractionPanel.SetActive(true);  }  StartCoroutine(TriggerVoiceRecognition());  // 用协程处理，免得卡住主线程  }  private IEnumerator TriggerVoiceRecognition() {  // 这里就可以加上你的语音识别逻辑了（需要配合Rokid ASR SDK）  yield return new WaitForSeconds(0.5f);  // 给设备一点反应时间  // RokidASRManager.Instance.StartListening(); // 比如像这样启动识别  }  private void OnDestroy() {  // 退出时记得打扫干净，释放资源，防止内存泄漏  if (RokidVoiceManager.Instance != null) {  RokidVoiceManager.Instance.DisposeWakeup();  }  }  }  

步骤 2：在 Unity 场景里用上这个脚本

1. 新建一个空物体（GameObject），给它取个好记的名字，比如 “VoiceWakeupManager”。

2. 把刚才写的VoiceWakeupController脚本拖到这个物体上。你可以在右边的 Inspector 面板里随便调整参数（比如在很吵的地方，就把降噪等级NoiseSuppressionLevel调到Level3）。

3. 如果你有唤醒后要显示的 UI 界面，把它拖到脚本的UIInteractionPanel引用上。

3. 关键参数怎么调？看这张图就懂了

核心参数对照表

核心类架构图

四、进阶玩法：搞定真实场景里的各种“唤醒难题”

1. 方言/口音听不懂？自己教它新唤醒词（完整流程）

步骤 1：准备好你的“教材”

1. 录音要求：

-   格式：必须是 16kHz 单声道的 WAV 文件，PCM 编码。

-   时长：1 到 2 秒就够了，每个唤醒词至少录 5 遍（强烈建议录 10 遍以上，语速、音调变着来）。

-   命名要规范：唤醒词_方言_序号.wav（比如ruoqi_guangdong_01.wav）。

2. 给数据加点“料”（可选）：

Rokid 提供了一个叫AudioAugmentTool的小工具（在若琪学院工具包里），可以给你的录音加上各种噪音，让训练出来的模型更抗折腾。

步骤 2：调用 SDK 的训练接口

using System.Collections.Generic;  public class CustomWakewordTrainer : MonoBehaviour {  [SerializeField] private string customWakeword = "小琪";  [SerializeField] private List<string> samplePaths = new List<string>();  // 把你的录音文件路径放这里  public void StartTraining() {  // 检查一下“教材”够不够  if (samplePaths.Count < 5) {  Debug.LogWarning("样本太少了，至少得准备5个才行！");  return;  }  // 开始训练（这是个异步操作，不会卡住你的程序）  RokidVoiceManager.Instance.TrainCustomWakewordAsync(customWakeword, samplePaths, OnTrainingComplete);  }  private void OnTrainingComplete(bool success, string message) {  if (success) {  Debug.Log($"太棒了！自定义唤醒词“{customWakeword}”训练成功！");  // 训练好了，就可以让设备用这个新词了  RokidVoiceManager.Instance.SetCurrentWakeword(customWakeword);  } else {  Debug.LogError($"训练失败了，原因是：{message}");  }  }  }  

步骤 3：切换新唤醒词并测试

// 在唤醒配置里，告诉设备用新的唤醒词  var config = new RokidVoiceWakeupConfig {  CurrentWakeword = "小琪",  // 换成你刚刚训练好的词  // 其他参数可以保持不变  };  RokidVoiceManager.Instance.InitWakeup(config);  

2. 功耗再优化：多传感器联动的智能省电策略

策略 1：天黑了，就让它“夜间模式”

策略 2：检测到你“静止”了，它就偷偷懒（代码实现）

using Rokid.UXR.BodyTracking;  private void UpdatePowerSaving() {  // 先看看你是不是在活动（需要开启Body Tracking功能）  UserActivityStatus status = RokidBodyTrackingManager.Instance.GetUserActivityStatus();  if (status == UserActivityStatus.Inactive && inactiveDuration < 30f) {  inactiveDuration += Time.deltaTime;  if (inactiveDuration >= 30f) {  EnableLowPowerMode();  // 发现你30秒没动了，赶紧进入低功耗模式  }  } else {  inactiveDuration = 0f;  DisableLowPowerMode();  // 一旦动了，立马恢复正常  }  }  private void EnableLowPowerMode() {  RokidVoiceManager.Instance.SetPowerMode(PowerMode.LowPower);  // 还可以做得更绝一点：把一些非必要的音频处理模块也关了  RokidVoiceManager.Instance.EnableEnvironmentalAdaptation(false);  }  private void DisableLowPowerMode() {  RokidVoiceManager.Instance.SetPowerMode(PowerMode.Normal);  RokidVoiceManager.Instance.EnableEnvironmentalAdaptation(true);  }  

3. 噪音太大怎么办？波束成形 + 强力降噪组合拳

操作步骤

1. 手动指定波束方向（比如用户习惯右手拿设备，就把波束指向右前方 45°）：

```csharp

// 算一下右前方45°的方向向量

Vector3 direction = new Vector3(Mathf.Cos(Mathf.Deg2Rad * 45), 0, Mathf.Sin(Mathf.Deg2Rad * 45));

RokidVoiceManager.Instance.SetBeamDirection(direction);

```

2. 开启深度降噪和动态增益：

```csharp

var config = new RokidVoiceWakeupConfig {

NoiseSuppressionLevel = NoiseSuppressionLevel.Level3,  // 上最强降噪

EnableDynamicGainControl = true,  // 自动把你的声音放大，把背景噪音压下去

Threshold = 0.8f  // 顺便把唤醒阈值调高点，防止乱七八糟的声音误触

};

```

效果好不好，拉出来比比

4. 调试排错：几个必备的工具和流程

工具 1：音频可视化调试面板

// 在Unity编辑器里实时看到音频波形（只能在调试模式下用）  void OnGUI() {  if (GUI.Button(new Rect(10, 10, 150, 30), "显示音频波形")) {  RokidVoiceDebug.ToggleAudioVisualizer();  }  }  

工具 2：唤醒日志分析（帮你找到误触或漏唤醒的元凶）

// 开启日志记录（会生成一个.wakeup.log文件）  RokidVoiceDebug.EnableLogging(true, "MyApp_Wakeup_Log");  // 日志里这几个字段最关键：  // [Time] 时间戳 | [Confidence] 唤醒置信度 | [NoiseLevel] 环境噪声分贝 | [Event] 事件类型（唤醒/误触/漏检）  

典型问题排查流程图

五、总结一下：Rokid 是怎么让语音唤醒“又聪明又省电”的？

技术优势一览

维度	Rokid 方案亮点	开发者价值
唤醒率	75dB 噪声环境下达 98%，远超行业平均水平	无需额外硬件，直接适配复杂场景
误触控制	0.3 次 / 天误触（行业 1 次 / 天）	提升用户体验，减少无效交互
功耗优化	唤醒状态 CPU 占用＜5%，续航延长 20%	适合 AR 眼镜等移动设备长时间佩戴
开放性	支持自定义唤醒词、多语言训练	满足个性化需求，快速适配全球市场

给开发者的资源大礼包

• 入门教程：去若琪学院看视频课程，手把手带你从零开始，跑通第一个语音唤醒 Demo。

• 技术文档：啃开发文档，里面详细解释了每个 API 参数和最佳实践。

• 问题求助：遇到搞不定的难题，就去 Rokid 开发者论坛（FAQ）提问，有专人解答。

总的来说，Rokid 通过把声学处理、轻量化模型和低功耗设计这几块深度整合，不光是给 AR 设备装上了一对“聪明的耳朵”，更重要的是，它通过开放平台，把这种能力交到了每个开发者手里。不管你是刚入门的新手，还是经验丰富的老鸟，都能从它清晰的文档和丰富的实战案例里找到感觉，做出更自然、更智能的人机交互体验。

所以，如果你正打算开发一款 AR 应用，不妨就从语音唤醒开始，借力 Rokid 的技术，让你的设备真正“听懂”用户的每一次呼唤。