先说结论：能带动，但别指望它像手机喊"小爱同学"那样灵敏。我手上这块是 imx6ull 的开发板，512MB 内存，跑 Linux，之前一直拿来做点串口收发的小活。前阵子突发奇想，能不能让它听懂一句"你好板子"，然后点亮一个 LED。折腾了差不多两个周末，中间翻车好几次，今天把过程完整写下来，包括我踩的坑。
一、我到底想干什么
场景很简单：板子上接了个麦克风模块（INMP441，I2S 接口），我想让它一直监听，听到特定唤醒词就执行一个动作，比如点亮 GPIO 上的 LED，或者打印一行日志。不联网，不上云，纯本地。
为什么不用云端方案？一是这块板子经常放在没网的环境里跑，二是语音数据传出去我也不太放心。说白了就是想要一个"断网也能用"的土办法。
二、涉及的知识点，先捋一遍
1、语音唤醒和语音识别不是一回事。
语音识别是把整句话转成文字，计算量大。语音唤醒只判断"是不是那个词"，输出是一个是/否，模型可以做得非常小。这一点很关键，很多人一上来就想跑 Whisper，那玩意在这块板子上根本带不动。
2、小模型的选择。
我试过两个方向：一个是 Google 的 speech commands 系列小模型（就是那个识别 up/down/yes/no 的），另一个是开源的 Porcupine。前者完全离线、模型几百 KB，后者效果更好但要注册 access key。我最后用的是 speech commands 那套思路，自己训了一个两分类的小模型：唤醒词 / 非唤醒词。
3、特征提取用 MFCC。
音频不能直接喂给模型，要先转成梅尔频谱或者 MFCC 系数。Python 里用 librosa 一行就能算，但板子上跑 librosa 太重，我是在电脑上把特征算好、训好模型，板子上只做推理。
三、具体怎么操作
第一步，收集数据。我自己录了"你好板子"大概 200 遍，语速、距离、音量都故意弄得不一致。负样本用了 speech commands 数据集里的其他词，外加环境噪声。这里要注意，负样本一定要包含"听起来像但不是"的词，比如"你好朋友""你好板砖"，不然模型很容易误触发。
第二步，训模型。我在电脑上用的是下面这段，可以直接抄：
python
import tensorflow as tf
from tensorflow.keras import layers
model = tf.keras.Sequential([
layers.Input(shape=(49, 13)), # MFCC 帧数 x 系数
layers.Conv1D(32, 3, activation='relu'),
layers.MaxPooling1D(2),
layers.Conv1D(64, 3, activation='relu'),
layers.GlobalAveragePooling1D(),
layers.Dense(32, activation='relu'),
layers.Dense(2, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(X_train, y_train, epochs=30, validation_split=0.2)
model.save('wakeword.h5')训完转成 tflite，模型大小 180KB 左右，这个体积板子完全吃得下。
第三步，板子上推理。这里我让 AI 帮我写了推理部分的 C 代码框架，提示词是这么给的：
markdown
我在 imx6ull（ARM Cortex-A7，512MB 内存）上跑 tflite 推理，
输入是 49x13 的 MFCC 特征，模型是两分类。
请给我一份 C 语言推理代码，要求：
1. 用 TensorFlow Lite C API
2. 输入数据从 float 数组读入
3. 输出两个概率，打印较大的那个类别
4. 代码要能直接编译，注释写清楚每步干什么AI 给的代码基本能用，我改了两处：一是它默认用了动态库链接，我改成静态链接省得板子上找不到 so；二是它没处理内存对齐，我加了个 aligned_alloc。改完编译通过。
第四步，音频采集。I2S 麦克风采到的原始 PCM，要先在板子上算 MFCC。这一步是最大的坑，我后面细说。
四、实测效果，包括翻车的地方
先说好的：安静环境下，距离 1 米以内，唤醒成功率大概 85%，误触发大概每小时 2 到 3 次。LED 点亮延迟在 400ms 左右，能接受。
再说翻车的地方，这部分才是重点。
翻车一：板子上算 MFCC 太慢。我一开始想直接在板子上用 C 实现 MFCC，结果一帧要算 30 多毫秒，实时性根本不够。后来改成用定点运算加查表，勉强压到 8ms 一帧，才勉强跟上。这一步我折腾了整整一个下午，最后是参考了一个开源项目的实现才搞定。
翻车二：噪声环境下基本废掉。开着风扇或者旁边有人说话，误触发率飙升。我试过加一个能量阈值做前置过滤，有点用，但治标不治本。这是小模型的通病，不是调参能解决的。
翻车三：AI 给的代码有个隐藏 bug。它算 MFCC 的时候默认采样率是 16000，但我的麦克风实际是 44100，导致特征全错，模型输出一直是 50% 对 50%。我排查了大半天，最后是打印中间结果才发现的。所以 AI 给的代码，参数一定要自己核一遍。
五、适用边界，什么情况下别用它
第一，如果你的场景要求高唤醒率、低误触发，比如做产品，别用这套。老老实实上专门的唤醒芯片或者成熟的唤醒引擎，省心得多。
第二，如果板子没有硬件浮点或者主频低于 500MHz，算 MFCC 会很吃力，建议直接放弃，或者换带 DSP 的芯片。
第三，如果唤醒词要经常换，这套方案也不合适，每换一次就得重新收数据、重新训模型，成本不低。
第四，如果你只是想玩玩、学习一下端侧推理的流程，那这套方案挺合适的，成本低，链路完整，从收数据到板上跑通全走一遍，学到的东西比看十篇文章都多。
最后说句实话，我目前这套也就是个能跑的 demo，离"好用"还有距离。但整个过程走下来，我对端侧 AI 的边界心里有数了，知道什么能干什么不能干，这比结果本身值钱。有在类似板子上折腾过的朋友，欢迎留言交流，我这边还有几个坑没填完。