基于炬芯ATS308X的MLP DNN深度学习KWS语音识别实现(单唤醒词版本-谷歌mini Speech Commands数据集)

0 数据集准备

1上位机python训练

python application/bt_watch/tools/wakeword/prepare_public_kws.py --archive "D:\data\public_kws\downloads\mini_speech_commands.zip" --out "D:\data\public_kws\mini_speech_commands_stop" --word yes

可更换训练词：yes / no / up / down / left / right / stop / go` 八类

2 训练完成后，把wake_model.bin 复制到板子u盘。

3 实现代码上位机+下位机

4 嵌入式串口指令

识别命中yes

算法与部署原理

```mermaid

flowchart TD

REC $PC MIC / 导入板端 WAV$ --> DATA $正负样本清单与独立 train / valid / test$

DATA --> TRAIN $NumPy：反向传播 + Adam 训练 MLP$

TRAIN --> QUANT $仅 train 校准量化；仅 valid 选择阈值$

QUANT --> BIN $wake_model.bin + 训练和评估记录$

BIN --> NAND $复制到设备 NAND，加载前校验$

MIC $板端 MIC0 / 16 kHz / s16$ --> DMA $DMA 搬运 / 单消费者 PCM 缓存$

DMA --> VAD $10 ms 块 VAD、50 ms 前滚、300 ms 尾静音$

VAD --> MFCC $MFCC + 逐句 CMN$

MFCC --> NN $32 格插值 / INT8 MLP / 概率门限$

NAND --> NN

NN --> EVENT $唤醒事件序号、词名、概率$

```

1.1 网络类型、层数与参数量

当前神经网络是 **MLP（Multilayer Perceptron，多层感知机／全连接前馈网络）**，采用 NumPy 实现训练、C 实现板端推理。没有卷积层，不属于 CNN；没有循环状态，不属于 RNN／LSTM，也没有使用 Transformer。MFCC 是网络前的固定信号处理算法，不是额外的可训练神经层；新 `app wake` 不调用旧 `app asr` 的 DTW 模板分类器。

结构为 **416 → 48 → 24 → 2**。按带权重的层计算是 **3 层**：两个隐藏层和一个输出层；若把输入层也计入，通常称为 **4 层网络**。ReLU 和 Softmax 属于激活／输出变换，不另计为带参数层。

```mermaid

flowchart LR

X $"输入：416 个特征"$ --> H1 $"全连接 416\to48 + ReLU"$

H1 --> H2 $"全连接 48\to24 + ReLU"$

H2 --> Z $"全连接 24\to2：两个 logits"$

Z --> P $"Softmax：other / wake"$

P --> G $"wake 分数与阈值比较"$

```

| 部分 | 单条数据的形状 | 激活 | 权重形状，输出×输入 | 权重数 | 偏置数 | 参数合计 |

| --- | --- | --- | --- | ---: | ---: | ---: |

| 输入层 | ` $416$ ` | 无 | 无 | 0 | 0 | 0 |

| 第 1 全连接层／隐藏层 1 | ` $416$ → $48$ ` | ReLU | ` $48,416$ ` | 19968 | 48 | 20016 |

| 第 2 全连接层／隐藏层 2 | ` $48$ → $24$ ` | ReLU | ` $24,48$ ` | 1152 | 24 | 1176 |

| 第 3 全连接层／输出层 | ` $24$ → $2$ ` | 先输出 logits，再做 Softmax | ` $2,24$ ` | 48 | 2 | 50 |

| 合计 | --- | --- | --- | **21168** | **74** | **21242** |

三层点积合计每次推理 **21168 MACs（乘加）**。这不包含 MFCC、时间插值、量化、激活和 Softmax 的计算量，也不能直接换算为板端耗时。采用小型 MLP 是为了让模型文件、计算和 C 部署保持简单；复杂环境下的准确率仍由数据、前端和实测决定，不能仅由层数判断。

1.2 原始输入：WAV／PCM 到 MFCC

PC 端输入是 **16000 Hz、单声道、有符号 16-bit PCM WAV**。板端从 MIC 采集同规格 PCM；WAV 文件头只供 PC 读文件时解析，不送入神经网络。1 秒音频约有 16000 个采样点、32000 字节 PCM。工具不自动把 8 kHz／44.1 kHz、双声道文件转换为此格式，导入前需先转换并试听。

| 顺序 | 处理 | 参数与输出 |

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

| 1 | 幅值归一化 | `x $n$ = int16_sample / 32768.0`，得到浮点样本 |

| 2 | 预加重 | `y $n$ = x $n$ - 0.97 × x $n-1$ `，强调较高频率成分 |

| 3 | 分帧与能量筛选 | 每帧 400 点／25 ms，步长 160 点／10 ms；最后不足一帧时按实现补零；预加重帧的均方能量达到 `1e-6` 才保留 |

| 4 | 加窗与频谱 | Hamming 窗，补零至 512 点 FFT；功率谱使用 `|FFT|² / 512` |

| 5 | Mel 滤波 | 26 个三角滤波器，覆盖 80～7600 Hz，对各频带功率加权求和 |

| 6 | 13 维 MFCC | `c0` 为线性 Mel 能量平均后取自然对数；`c1..c12` 为对数 Mel 能量的归一化 DCT-II 系数 |

| 7 | 逐句 CMN | 对每一维系数，减去该句所有保留帧的均值；不除标准差、不增加 delta／delta-delta 特征 |

本工程的 `c0` 具体为 `ln((1e-12 + Σ E_m) / 26)`，其中 `E_m` 是各 Mel 频带的线性能量。它不是通用 MFCC 库默认的 DCT 第 0 项。训练和板端使用同一前端合同，不能直接用另一个库的默认 MFCC 替换后沿用现有模型。

板端在这套逐帧特征计算之外，还有短语级 VAD：按 10 ms 块处理，保留约 50 ms 前滚，等待约 300 ms 尾静音后完成一句；启动时先安静校准底噪约 500 ms。PC `predict --wav` 直接处理指定 WAV，不模拟整段连续录音的板端短语切分，所以实际测试还需要检查 MIC、VAD、丢样和噪声。

1.3 神经网络为什么固定输入 416 维

一条录音经过特征提取后得到 ` $T,13$ `，`T` 是保留的有效语音帧数。当前训练入口和板端运行器要求 **20 ≤ T ≤ 160**；静音、过短或过长在进入正常分类前被拒绝。这里约 0.2～1.6 秒描述的是保留语音帧规模，不是 WAV 总时长；录音可以包含前后静音。

为了让不同语速的短语都进入同一网络，沿 MFCC 的时间轴均匀线性插值到 **32 个时间点**：

```text

原始 PCM $N$ N 随录音时长变化

MFCC + 逐句 CMN $T,13$ T 为有效帧数，20～160

时间线性插值 $32,13$ 32 个时间点，每点 13 个系数

按时间顺序展平 $416$ 32 × 13 = 416

训练／PC 批量输入 $B,416$ B 为批量大小，默认 32

```

插值位置为 `p(t) = t × (T-1) / 31`，`t=0..31`；每个位置由左右两帧按距离加权。展平顺序为 `t0:c0..c12, t1:c0..c12, ... , t31:c0..c12`。这保留了特征的相对先后顺序，但把语速对应的时长归一到固定长度。

这里的 32 是 **MFCC 时间点数**，不是 32 个原始采样点，也不是 32 个词；13 是每帧 MFCC 维数，不是类别数。时间插值作用于特征，不改变原始音频的 16 kHz 采样率。

PC 的 `feature_vector()` 生成浮点 ` $416$ `，单条预测会按 ` $1,416$ ` 计算。板端 `wake_nn_predict()` 接口接收已做 CMN 的浮点 ` $T,13$ `，在函数内部完成插值、展平和输入量化后送入全连接层。

1.4 输出层、类别与命中条件

浮点前向计算为：

```text

h1 = ReLU(x × W1ᵀ + b1) 416 → 48

h2 = ReLU(h1 × W2ᵀ + b2) 48 → 24

z = h2 × W3ᵀ + b3 24 → 2

p = Softmax(z) 2 → 2

```

输出顺序固定为 **索引 0=`other`，索引 1=`wake`**。两个 logits `z0/z1` 是未经归一化的分数；Softmax 转为 `P(other)` 和 `P(wake)`，两者之和约为 1。`P(wake)=exp(z1)/(exp(z0)+exp(z1))`，实现使用等价的稳定算法避免指数溢出。

例如 `phrase=yes` 时，输出 ` $0.02,0.98$ ` 表示当前声音的目标词分数为 0.98；输出 ` $0.97,0.03$ ` 表示更接近其它语音。它不输出英文字符或中文文字，也没有为其余七个公开集词分别保留一个输出神经元。

最终命中必须同时满足：

```text

P(wake) > 0.5 且 P(wake) >= 模型内的 threshold

```

例如阈值为 0.90，分数 0.98 命中，0.70 拒绝；即使 `wake` 分数大于 `other`，也可能因未达到阈值而拒绝。恰好 0.5 时始终拒绝。这些数值只是说明判决规则的例子，实际阈值以本次 `inspect` 或 `wake_model.json` 为准。

PC `predict` 输出 `phrase/probability/threshold/wake`；板端保存 `matched/probability/logits $2$ /feature_frames`，命中时发布事件和 ` $wake$ HIT`。日志 `score_milli` 是分数乘 1000 后的整数显示，不是准确率；Softmax 分数也不等于经过校准的真实成功概率。

`phrase` 是模型中的词名元数据，用于显示和发布事件。网络读入的是声音特征，不是这个字符串；把 `yes` 文本改成"你好小安"，不会让已训练的权重学会中文发音。

1.5 PC 如何训练，三个数据集分别做什么

PC 从头训练浮点网络，没有加载预训练语音模型。训练采用反向传播和 Adam；默认 `epochs=100`、`batch_size=32`、`learning_rate=0.001`、`seed=42`、`patience=20`。

| 数据集合 | 使用方式 |

| --- | --- |

| train | 更新权重；校准导出时的 INT8 输入、权重和激活尺度 |

| valid | 按最小验证损失选择最佳 checkpoint；使用 INT8 分数选择触发阈值并验收 |

| test | 权重和阈值冻结后评估泛化能力，不能据此挑权重或调阈值 |

训练梯度采用类别平衡交叉熵，每类权重为 `N / (2 × N_class)`，减轻负样本较多时只预测负类的问题；权重使用 `1e-5` L2 项，梯度逐元素裁剪到 ` $-10,10$ `。日志的 `train_loss/valid_loss` 是未加权的平均交叉熵，不包含 L2 项；两种 loss 的用途不同，不应把日志值当成加权目标的完整数值。

默认连续 20 个 epoch 没有改善就提前停止，并导出验证损失最低的轮次，不一定是最后一轮。量化后默认要求 valid 召回率至少 80%、负样本片段误触率至多 1%；通过后才导出可部署模型。前端拒绝的负样本不伪造特征参与梯度训练，但在评估时按 no-wake 计数。因此清单条数可能大于实际进入训练矩阵的行数。

1.6 INT8 部署、文件大小与运行边界

本工程采用 **浮点训练后量化（PTQ）**，没有实现量化感知训练。输入及每层权重采用对称量化，zero-point 为 0；每层权重共用一个 scale，输入和两个隐藏层激活各有一个 scale。输入和权重范围是 ` $-127,127$ `，ReLU 后隐藏激活范围是 ` $0,127$ `；恰好半值时取整方向为远离零。

| 部分 | 部署数据类型 |

| --- | --- |

| PCM | 有符号 int16 |

| MFCC、CMN、时间插值 | 浮点 |

| 网络输入、权重、隐藏激活 | INT8 |

| bias、点积累加 | INT32 |

| 重量化缩放、末层 logits、Softmax 与门限比较 | 浮点 |

基本量化关系为 `q=clip(round_away(value/scale),-127,127)`；隐藏激活再施加 ReLU。bias 使用本层输入 scale 与权重 scale 的乘积量化。模型加载时会检查数值和累加器范围，拒绝可能造成 INT32 溢出的文件。虽然主要矩阵点积是整数计算，整个语音处理链路仍包含浮点计算。

模型文件固定 **21592 字节**，组成是 `128 字节头 + 21168 字节 INT8 权重 + 74×4 字节 INT32 偏置`。词名、阈值、维度和权重均受 CRC32 保护；文件布局见第 7 节。文件大小不是整个检测功能的 RAM 占用，还需要特征缓存、采集缓冲和线程栈，见第 6 节。

部署直接运行手写 C 推理核心，不依赖 TFLite Micro。设备只做加载和推理，不在板端训练；更换同格式的单词模型按第 3.5、5 节操作。

1.7 核对实现的源码入口

| 问题 | 代码入口 |

| --- | --- |

| 音频格式、MFCC 参数和 CMN | $kws_tool.py$ (tools/asr/kws_tool.py) 的 `read_wav/_frames/mfcc`； $kws_mfcc.c$ (src/asr/kws_mfcc.c) |

| 插值、416 维顺序 | $wake_tool.py$ (tools/wakeword/wake_tool.py) 的 `feature_vector`； $wake_nn.c$ (src/wakeword/wake_nn.c) 的 `wake_nn_predict` |

| 网络层数与训练 | $wake_tool.py$ (tools/wakeword/wake_tool.py) 的维度常量、`float_forward/train_arrays` |

| INT8 校准及 PC 推理 | 同文件的 `quantize_model/predict_features` |

| 类别与阈值验收 | 同文件的 `LABELS/metrics/threshold_analysis/command_train` |

| 固件维度及模型读取 | $wake_nn.h$ (src/wakeword/wake_nn.h)、 $wake_nn.c$ (src/wakeword/wake_nn.c) |

| 短语分段、模型路径、HIT 事件 | $wake_runtime.c$ (src/wakeword/wake_runtime.c) |

普通更换唤醒词无需改这些网络常量。若调整 416／48／24／2、前端参数或类别数，就超出了"替换模型"的范围，需要同步修改 PC 导出器、模型格式、C 加载器／推理和对应验证，再重新编译固件。

6 ATS3089P 公开语音数据集 KWS 流程验证

日期：2026-10-22。使用 Google / TensorFlow 的 **mini Speech Commands** 真人英语命令词数据，先验证数据导入、训练、INT8 导出、PC 推理和板端 C 算法兼容性。后续自定义中文唤醒词沿用同一个模型格式和部署接口。

本机已完成下载、导入、训练验收、模型导出、PC 测试和 ARM C 推理对照，模型已生成。现在可以直接按第 6 节安装模型，说英文 **yes** 测试；前面几步用于复现，无需重复下载和训练。实板 MIC 测试尚未执行。

数据来源和识别目标

官方下载：<https://storage.googleapis.com/download.tensorflow.org/data/mini_speech_commands.zip\>
官方教程：<https://www.tensorflow.org/tutorials/audio/simple_audio\>
原始数据说明：<https://www.tensorflow.org/datasets/catalog/speech_commands\>
论文：Pete Warden，*Speech Commands: A Dataset for Limited-Vocabulary Speech Recognition*，2018，<https://arxiv.org/abs/1804.03209\>。
音频许可：CC BY 4.0，<https://creativecommons.org/licenses/by/4.0/\>。保留原始 README、来源和署名；教程代码的许可与音频许可分开。

压缩包为 182,082,353 字节，MD5 为 `4b8a67bae2973844e84fa7ac988d1a44`。包含 `yes / no / up / down / left / right / stop / go` 八类，每类 1000 条，共 8000 条真人 WAV。音频为 16 kHz、单声道、16-bit PCM，时长不超过 1 秒。

本次下载的 SHA256 为 `49650f2341b26d886b46b3f4fb8fed59e30300b17550f1ee4a768b3106cf93a0`。

本次模型识别 **英文 `yes`**：`yes` 是 `wake`，其余七类是 `other`。对板子说中文"你好小安"不会等价于 `yes`；中文词需要后续重新制作数据和训练。

mini 子集没有完整环境噪声集，因此这里的片段识别成绩只用于验证流程。实际 MIC、连续监听、噪声和远距离效果仍须单独测量。

本机数据位置

```text

D:\data\public_kws\downloads\mini_speech_commands.zip

D:\data\public_kws\mini_speech_commands_yes\dataset.json

D:\data\public_kws\mini_speech_commands_yes\source_report.json

D:\data\public_kws\mini_speech_commands_yes\arm_check_dataset.json

D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin

D:\data\public_kws\mini_speech_commands_yes\model\wake_model.json

D:\data\public_kws\mini_speech_commands_yes\pipeline.log

D:\data\public_kws\mini_speech_commands_yes\pipeline_results.json

```

`wake_model.bin` 只有通过训练验收后才生成。数据目录独立于 `D:\data\my_wake` 和 `D:\data\common_kws\nihao_xiaoan`。

数据导入规则

准备工具： $prepare_public_kws.py$ (tools/wakeword/prepare_public_kws.py)。

根据 `nohash` 前面的原始 speaker ID 分组，同一说话人的全部命令词只进入同一个 split。
固定哈希分组为约 70% train、15% valid、15% test，不按模型分数挑样本。
默认训练负样本最多为训练正样本的三倍；valid/test 保留全部负样本。
正样本按照现有前端的 20～160 有效帧规则筛除无效录音，并记录被排除的原始路径和原因。
根据音频内容哈希去重，记录原始类、speaker、分组、许可和压缩包校验值。
`arm_check_dataset.json` 在训练前固定选择 test 中 20 条正样本和 20 条负样本，只用于 PC/C 实现对照；完整 test 仍单独评估。
不覆盖已有输出目录；同一数据准备成功后无需重复导入。

本次固定规则处理后，训练清单共 5104 条、1557 个实际入选说话人，三个集合的说话人无重叠：

| 集合 | yes / wake | 其余词 / other |

| --- | ---: | ---: |

| train | 681 | 2043 |

| valid | 152 | 975 |

| test | 135 | 1118 |

原始 8000 条中去掉 27 条重复音频和 28 条前端不兼容的正样本，另有 2841 条 train 负样本按照事先固定的比例和路径哈希不纳入训练。原始音频全部保留；详细路径、原因、分组和哈希见 `source_report.json`。上述 `eval` 成绩针对这个前端兼容子集；前端拒绝的原始正样本应计入完整系统的漏检，不能将其忽略后宣称原始公开集的整体召回率。

PowerShell / PyCharm Terminal 命令

以下命令统一从 `` 执行，避免 `can't open file 'wake_tool.py'`：

```powershell

Set-Location 'D:\Master\6project\ATS3089C_to_ATS3089P\'

python -m pip install -r application/bt_watch/tools/wakeword/requirements.txt

```

本机已经下载完成，直接使用已有 ZIP。若在另一台机器从头准备，可先下载并检查 MD5：

```powershell

New-Item -ItemType Directory -Path 'D:\data\public_kws\downloads' -Force | Out-Null

curl.exe --fail --location --retry 2 --output 'D:\data\public_kws\downloads\mini_speech_commands.zip' 'https://storage.googleapis.com/download.tensorflow.org/data/mini_speech_commands.zip'

Get-FileHash 'D:\data\public_kws\downloads\mini_speech_commands.zip' -Algorithm MD5

```

已有本地压缩包时，首次准备数据使用：

```powershell

python application/bt_watch/tools/wakeword/prepare_public_kws.py --archive "D:\data\public_kws\downloads\mini_speech_commands.zip" --out "D:\data\public_kws\mini_speech_commands_yes" --word yes

```

检查数据：

```powershell

python application/bt_watch/tools/wakeword/wake_tool.py validate --manifest "D:\data\public_kws\mini_speech_commands_yes\dataset.json"

```

训练并导出：

```powershell

python -u application/bt_watch/tools/wakeword/wake_tool.py train --manifest "D:\data\public_kws\mini_speech_commands_yes\dataset.json" --out "D:\data\public_kws\mini_speech_commands_yes\model" --epochs 100

```

**启动后为什么可能几分钟没有 epoch 日志？** 训练前先校验全部 5104 条 WAV，然后为 train 的 2724 条和 valid 的 1127 条录音提取 MFCC，共 3851 条。现有前端由 Python 计算，首次提取可能需要数分钟；不同电脑用时不同。梯度训练结束后还要为 1253 条 test 录音提取特征并评估，最后才导出模型。

2026-10-22 已补充日志：启动时显示数据检查，MFCC 提取时显示 `0/2724`、`100/2724` 等数量与耗时（每 100 条或约 5 秒更新一次，在当前文件处理完成后输出），训练时每个 epoch 显示 loss，随后提示 INT8 量化、验证、测试和模型导出阶段。进度日志立即刷新到 stderr，终端会直接显示；如需保存完整日志，命令末尾加 `2>&1 | Tee-Object -FilePath "D:\data\public_kws\mini_speech_commands_yes\manual_training.log"`。

`-u` 用于避免 Python 标准输出缓冲，但旧版脚本没有的进度不会因此自动产生。已运行的旧进程不会加载新日志代码；下次启动使用更新后的脚本即可。不要同时启动多个训练进程写入同一个模型目录。

每条命令单独执行并检查结果。若显示 `valid 不合格` 或生成 `training_failure.json`，先处理训练问题，再继续下面的模型检查。工具仍使用默认的 valid 召回至少 80%、片段误触率至多 1%，不通过降低验收标准生成模型。

成功生成模型后检查元数据并评估完整 test：

```powershell

python application/bt_watch/tools/wakeword/wake_tool.py inspect --model "D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin"

python application/bt_watch/tools/wakeword/wake_tool.py eval --model "D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin" --manifest "D:\data\public_kws\mini_speech_commands_yes\dataset.json" --split test

```

单条 WAV 推理示例（固定对照清单中的第一条正样本）：

```powershell

python application/bt_watch/tools/wakeword/wake_tool.py predict --model "D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin" --wav "D:\data\public_kws\mini_speech_commands_yes\source\mini_speech_commands\yes\9229bff9_nohash_0.wav"

```

本机输出 `probability=0.98035848`、`threshold=0.90920675`、`wake=true`。这验证文件推理；实板还需验证 MIC 采集和 VAD 分段。

ARM C 推理兼容性验证

现有测试编译生产代码 `wake_nn.c` 和 `kws_mfcc.c`，在 ARM 仿真器中运行实际 PCM，与 PC 的 MFCC、INT8 概率和最终判决对照：

```powershell

python application/bt_watch/tests/wakeword/test_wake_core.py --model "D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin" --manifest "D:\data\public_kws\mini_speech_commands_yes\arm_check_dataset.json" --split test

```

本地 SDK 的 ARM GCC 由脚本自动发现；若缺少测试依赖，安装 `unicorn` 和 `pyelftools`。默认报告位于 `application/bt_watch/outdir/wake_core_tests/real_audio_test.json`，重复执行会更新该报告。

这是冻结模型和阈值后的实现兼容性验证，不使用这些 test 录音调整参数；不代表已经完成实板 MIC 和真人测试。

安装模型并在板子上验证

固件统一使用 `application/bt_watch/outdir/ats3089p_dev_watch/_firmware` 的原日期命名产物。公开数据训练只生成外部模型，不需要为 `yes` 新建固件文件夹。

设备需要支持 `app wake` 和 `WAKEINT8` 模型格式。通过普通 UART 执行：

```text

app asr off

app wake off

app udisk on

```

将 `D:\data\public_kws\mini_speech_commands_yes\model\wake_model.bin` 复制到设备 U 盘根目录，覆盖设备中此前安装的模型。该操作会更换设备当前的唤醒词，原中文模型可在 PC 保留。Windows 安全弹出 U 盘后执行：

```text

app udisk off

app wake load

app wake status

app wake on

```

保持安静，等待 ` $wake$ READY`，然后正常发音说英文 `yes`，每次间隔约 1 秒。成功时观察 ` $wake$ HIT`；拒绝时结合分数、阈值、帧数和底噪排查。不要把 `wake_model.bin` 传给 USB CDC IAP 的 `--firmware` 参数。

切换回自定义中文唤醒词

公开模型验证完成后，另用自己的中文数据清单重新训练。固定中文短语、真实正负样本和独立采集会话，不能只修改公开模型的 `phrase` 文本。完整步骤见 $自定义唤醒词 README$ (WAKEWORD_DEEP_LEARNING_README.md) 和 $中文数据集采集说明$ (WAKEWORD_COMMON_DATASET_20261022.md)。

本次实测结果与问题记录

2026-10-22 使用现有 `wake_tool.py` 的默认训练参数：seed 42、batch 32、学习率 0.001、最多 100 epoch、patience 20。实际运行 28 epoch，保留第 8 epoch 的最优验证集 checkpoint；INT8 校准只用 train，模型和阈值只用 valid 选择，未使用 test 调参。仍要求 valid 召回率 ≥80%、负样本片段误触率 ≤1%。

| --- | ---: | ---: | ---: | ---: |

| valid 清单（152 正、975 负） | 135 / 17 | 9 / 966 | 88.82% | 0.923% |

| test 清单（135 正、1118 负） | 121 / 14 | 6 / 1112 | 89.63% | 0.537% |

| 去重后全 test，含前端拒绝正样本（143 正、1118 负） | 121 / 22 | 6 / 1112 | **84.62%** | **0.537%** |

全 test 的 22 条漏检包括模型漏检 14 条和前端拒绝 8 条。75 条被前端拒绝的 test 负样本已经计入 TN；原始 test 中的 5 条重复录音（1 正、4 负）仍排除。上述比例是当前语音片段上的实测值，不能换算为连续监听每小时误唤醒次数。

模型信息：

```text

phrase: yes

format: ats-wake-int8-v1 / WAKEINT8

network: 416 -> 48 -> 24 -> 2

bytes: 21592

threshold: 0.909206748008728

CRC32: 0x7913A0ED

SHA256: 518201bbfe5e36647b7e4e779b33be60eb47968db56863e0b63dcc4f90bd5def

```

ARM C 对照通过 44 组 INT8 黄金向量、5 组合成 PCM、模型格式及阈值边界检查，并对训练前固定选择的 40 条真人 test 录音完成推理。PC/C 的帧数和最终判决全部一致，均为 TP=18、FN=2、FP=0、TN=20。相同 C 特征输入下，PC/C 神经网络概率误差小于 `2e-6`；各自从 PCM 提取特征时存在浮点差异，40 条中的最大 MFCC 绝对误差为 `0.1493111`、最大概率绝对误差为 `0.0306023`，本次未造成判决变化。该对照覆盖 40 条，不能宣称全部 1253 条 test 的 ARM 结果完全相同。

训练及汇总记录为数据目录中的 `pipeline.log`、`pipeline_results.json` 和 `model/wake_model.json`；ARM 逐条结果为 `application/bt_watch/outdir/wake_core_tests/real_audio_test.json`。本次批量运行调用原工具 handler，仅在内存复用相同 WAV 的确定性特征，以减少重复 MFCC 计算；未修改正式前端算法和验收门槛。

本轮解决了个人录音较少、验证集泛化不够而无法导出合格模型的问题：公开集提供多说话人、正负样本及隔离评估，默认训练已通过，无需降低门槛。它证明当前数据到模型及 C 推理流程可以运行；原中文录音效果仍需后续独立改进。实板尚未加载此模型，也尚未验证真人 MIC、连续噪声、距离和功耗；下一步按第 6 节完成板端测试。