语音模块：唤醒、识别、TTS/STT/ASR

这篇写什么？

做 Soundbar、音箱、车机、智能助手时，口头常蹦出一串缩写：KWS、ASR、STT、TTS、VAD、AEC……很容易混。

本文只做一件事：把「听 → 懂 → 说」的整体链路讲清楚；并说明每个缩写在工程里常出现在哪一层。站内已有更细的唤醒 / Mic+Ref / 测试文，文末会指路。

整体链路（先看这一段）

别人对你说一句话，设备大概会走：

麦克风采到声音波形
**前端处理（AEC / NS / 波束）**去掉喇叭回声和环境噪声，让人声更干净
VAD判断：现在有没有人在说话？
**KWS（语音唤醒）**判断：是不是在叫我？（例如「小爱同学」）——没叫就不往下走，省电
**ASR / STT（语音识别）**把后面整句命令变成文字
NLU / 大模型看懂文字：你想干什么？并给出回复文字
TTS（语音合成）把回复念出来，从喇叭播放

用箭头串起来就是：

麦克风采到波形
  → 前端处理（AEC/NS…）让人声更干净
  → VAD 判断「有没有在说话」
  → KWS 判断「是不是在叫我」（唤醒）
  → ASR/STT 把连续说话变成文字
  → NLU / 大模型理解并给出回复文字
  → TTS 把回复念出来，从喇叭播放

（上图：从 Mic 到 TTS 的完整流水线。深色主题会自动换暗色版。）

一、先分清：听、懂、说

整条链路可以压成三件事：

方向	常见名字	人话	在链路里的位置
听	KWS / Wake Word	只盯几个热词，听到才「醒」	第 4 步
听	VAD	区分「在说话」还是静音/噪声	第 3 步
听	AEC / NS / BF	消回声、降噪、波束，让后面更好听	第 2 步
听	ASR ≈ STT	把一整句说话变成文字	第 5 步
懂	NLU / Dialog / LLM	理解意图、执行、生成回复文字	第 6 步
说	TTS	把文字合成声音再播放	第 7 步

记住两个最容易混的：

ASR 和 STT 基本是一类事
- ASR = Automatic Speech Recognition（自动语音识别）
- STT = Speech-to-Text（语音转文字）
  产品文档、云厂商、论文里常混用，看到哪个都按「语音 → 文字」理解即可。
TTS 是反方向
- TTS = Text-to-Speech（文字 → 语音）
  和 ASR/STT 正好相反。

所以：整体链路已经讲清了——听清（前端+VAD+唤醒+识别）→ 听懂（NLU/大模型）→ 说出来（TTS）。后面各节是对每一步的展开。

二、各模块分别干什么？

1）语音唤醒 KWS（Keyword Spotting / Wake Word）

目标：设备待机时几乎一直在「浅听」，但只对少数词敏感，例如「小爱同学」「Hey Google」。
特点：算力小、功耗低、误触发和漏触发要权衡；常跑在 DSP / 本地小模型。
和 ASR 的差别：唤醒只认「热词」；ASR 要认「整句内容」。

站内更深：

2）VAD（Voice Activity Detection）

目标：判断当前这一小段是「人在说话」还是「没说话」。
用途：省流量、切句、决定何时开始/结束送 ASR；唤醒前后也会用到。
注意：嘈杂环境、远场、音乐背景下，VAD 本身就是一道难题。

3）前端处理：AEC / NS / BF

缩写	全称（常见）	作用
AEC	Acoustic Echo Cancellation	消掉喇叭回灌进麦的声音
NS	Noise Suppression	压环境噪声
BF	Beamforming	多麦指向说话人方向

音箱一边播 TTS/音乐，一边听人说，没有 AEC 时，算法听到的常是「自己的回声 + 人声糊在一起」。
相关：Soundbar THD 验证、loopback 抗混叠。

4）ASR / STT 语音识别

目标：连续语音 → 文字（可能带标点、时间戳、多候选）。
形态：云端大模型识别、端侧流式识别、或「端侧粗识别 + 云端精修」。
指标粗看：字错率、延迟、远场/噪声鲁棒性、方言与领域词。

唤醒成功后，常见路径是：打开更完整的录音通路，把后续命令句送给 ASR。

5）NLU / 对话 / 大模型（懂）

传统 NLU：意图（调空调）+ 槽位（温度=26）。
现在：很多产品把「懂」交给 LLM / Agent，ASR 出文字后直接进大模型。
关键：ASR 错一个字，后面理解可能整段跑偏——所以声学前端和识别质量仍然重要。

6）TTS 语音合成（说）

目标：回复文字 → 可播放音频。
关注点：自然度、延迟（首包多久出声）、多音色、可控语速/情感、是否可离线。
和唤醒语料：训练/评测唤醒时，常用 TTS 批量生成「热词」音频——本站工具页就有唤醒语料 TTS。

三、端上一条「典型」链路（音箱 / Soundbar）

结合消费电子里常见的远场助手，可以简化成：

┌────────────── 常开、低功耗 ──────────────┐
│  麦阵 + Ref → AEC/NS → KWS（热词）        │
└──────────────────┬───────────────────────┘
                   │ 唤醒命中
                   ▼
┌────────────── 会话阶段 ─────────────────┐
│  继续取麦 →（可选）端侧 ASR 或上云 ASR     │
│  → NLU / 云端技能 / 大模型               │
│  → TTS → 喇叭播放（同时 Ref 进 AEC）      │
└─────────────────────────────────────────┘

要点：

唤醒前尽量省电、少上传。
唤醒后才拉起重识别、连网、播报。
播放 TTS 时系统仍可能在听下一轮——AEC 与半双工/全双工策略要设计好。
同一台设备可能有多路唤醒（系统远场 + 自研助手），见多路语音唤醒。

四、本地 vs 云端，怎么选？

能力	偏本地	偏云端
KWS	几乎总是本地（时延/隐私/待机）	很少纯靠云做首唤醒
ASR	离线命令、低时延短指令	长句、复杂领域、大词表
TTS	固定话术、弱网	多音色、长文本、高质量
NLU/LLM	小技能、规则	开放域问答、复杂推理

没有绝对对错：很多产品是 本地唤醒 + 云端识别/对话 + 云端或本地 TTS 的混合。

五、和 KunSpace 工具的关系

本站「在线工具」里有一批音视频能力，对应语音工程里常见的数据准备，不是完整助手，但很实用：

工具	大概对应
转 WAV / 批量 prep	统一 16 kHz 单声道，方便喂唤醒/识别
唤醒语料 TTS	用 TTS 生成热词音频，做数据与回归
网页录音	快速录一段测试音
波形 / 频谱 / 响度	听不清时先「看见」信号
剪切去静音、噪声叠加	造样本、压测鲁棒性
播放延迟	粗看通路延迟

进阶声学与通路：见麦克风阵列音频检查、ALSA period/缓冲。

六、一张表速查缩写

缩写	常见中文	输入 → 输出
KWS	语音唤醒 / 热词	波形 → 是否命中热词
VAD	语音活动检测	波形 → 有无语音
AEC	回声消除	Mic+Ref → 干净近讲/远场人声
NS	降噪	带噪语音 → 更干净语音
ASR	语音识别	语音 → 文字
STT	语音转文字	同 ASR
NLU	自然语言理解	文字 → 意图/槽位
TTS	语音合成	文字 → 语音
STT↔TTS	—	互为反向

七、小结

**唤醒（KWS）**负责「叫我才理你」；**识别（ASR/STT）**负责「你说的内容写下来」；**合成（TTS）**负责「我用声音回答你」。
VAD / AEC / NS 是听清的前置条件，不是可有可无的形容词。
ASR 与 STT 在工程交流里常当作同义；别和 TTS 搞反。
真机问题多半出在：麦阵与 Ref、抗混叠、回声、多路抢麦、缓冲与延迟——这些在站内实战文里写得更细。

若你只记一张图：看文首「语音交互全链路」；若只记一张表：看「听 / 懂 / 说」名词图。