做智能音箱的时候，产品叫“小娜”。但用户从来不会只喊一个名字。有人喊“小娜”，有人喊“你好小娜”，还有人喜欢叠词“小娜小娜”。三个都是自然叫法，总不能要求用户改习惯吧？可问题在于：一个模型通常只能识别一个唤醒词——这是很多人对KWS的默认认知。

最初的想法很简单：三个唤醒词，训三个模型，串行推理。128KB × 3 = 384KB。手机上跑三次勉强能忍，但换到ESP32上，SRAM直接装不下。后来才发现想多了——多唤醒词可以合训成一个模型。135KB，一次推理，三个词全在里面。这篇文章就来聊聊怎么自定义一组唤醒词，合训成一个模型，以及实际效果到底怎么样。

一个产品，三个唤醒词

单唤醒词够用的场景其实不多。大多数产品天然需要多个唤醒入口：

• 不同用户习惯不同。有人喜欢两个字“小娜”，有人习惯在前面加“你好”，有人觉得叠词“小娜小娜”更自然。三个词能覆盖所有用户习惯，一个词只能覆盖一部分。
• 不同场景用不同词。近距离安静环境下“小娜”就行；远场嘈杂时“小娜小娜”双音节发音更长、声学特征更丰富，识别更稳。
• 家庭成员各有名字。智能中控屏，爸爸喊“小迪小迪”，妈妈喊“小鹿小鹿”，小孩喊“小云”。各自叫各自的名字，互不干扰。
• 分级权限。管理员唤醒词和普通用户唤醒词是分开的。喊管理员词能改设置，喊普通词只能操作。这在安防场景特别有用。

怎么合训：三个字概括——"一起练"

训练流程跟单唤醒词基本一样，区别只有一个：输入多个词，逗号分隔。

训练命令：
--words "小娜,你好小娜,小娜小娜" --epochs 60

背后发生的事情：系统自动用TTS合成三个词的正样本，混合负样本目录的噪声数据，训练一个共享Backbone、三个独立分类头的模型。

Mel频谱
│
▼
┌──────────────┐
│共享Backbone  │← 只算一次，23K参数
│提取声学特征  │
└──────┬───────┘
       │
  ┌─────┼─────┬─────┐
  ▼     ▼     ▼
"小娜" "你好  "小娜
        小娜"  小娜"
───────────────────
三个词，一次推理，三个概率

关键设计：共享Backbone + 独立分类头。

Backbone负责把音频转成特征向量——三个唤醒词都要做的底层工作，只训一次。每个词只挂一个微型分类头，不到800个参数，独立判断自己的那个词。推理的时候Backbone只跑一遍，三个头同时出结果。

效果怎么样

以“小娜 / 你好小娜 / 小娜小娜”为例：

指标	数值
模型体积	135 KB
总参数	~25K
推理方式	1次前向传播出3个概率
小娜召回率	~82%
你好小娜召回率	~85%
小娜小娜召回率	~80%
跨词误触发	< 0.5%

对比一下如果训三个独立模型：

	三个独立模型	一个多唤醒词模型
总参数	75K	25K
总体积	384KB	135KB
推理次数	3次	1次
跨词误触	需要后处理抑制	特征空间天然互斥

参数少3倍，体积小3倍。更重要的是跨词误触几乎为零——因为三个词的分类头共享同一个Backbone，训练时梯度相互推远，特征空间里天然互斥。

选词也有讲究

选一组唤醒词不是随便挑的。几个经验：

• 词之间要有区分度。“小娜”“你好小娜”“小娜小娜”这组词——小娜是后面两个的子串，理论上容易串。但共享Backbone训练时会把子串关系在特征空间里显式推开，实测跨词误触小于0.5%。
• 如果可能，选词尽量有发音差异。“小娜”和“小呐”——声母韵母一样，只差声调，区分难度就大。但如果场景确实需要这样一对近音词（比如四川话和普通话各一个），加真人录音做数据增强是最好的解法。
• 词长控制在2-6个字。太短区分度不够，太长用户说不完。3-4个字最优。
• 一组词的量控制在10个以内。理论上可以更多，但实际场景中用户也记不住15个唤醒词。

不只是唤醒词

多唤醒词模型跟多命令词模型是同一种技术。区别只在于用法：

	多唤醒词	多命令词
数量	2-5个	3-10个
作用	激活设备	触发具体动作
之后	可能接ASR	直接执行
举例	小娜/你好小娜/小娜小娜	开灯/关灯/调亮/调暗

两种场景都能合训成同一个模型。

怎么拿到

训练方式跟单关键词一样——输入词，自动TTS合成，数据增强，训练，导出ONNX。十来分钟到半小时出模型。

推理部署用同一个开源引擎，Android/Linux/ESP32/Web全平台。如果是已上线的设备想加新唤醒词，重新生成一个多词模型替换掉原来的文件就行，不需要改硬件，不需要烧固件。

最后

自定义多唤醒词这件事，以前要么每个词训一个模型堆叠着跑，要么只能迁就只用一个唤醒词。现在一个模型搞定——更小、更快、更省资源。如果你的产品还在用一个唤醒词迁就所有用户，可以考虑加几个自然变体了。