在 ESP32 上跑自定义唤醒词：从 TFLite 到离线语音唤醒，一个下午搞定

使用者痛点速览

• 成本高昂传统云端 ASR 需要付费流量和服务器。
• 必须联网断网后功能失效，无法保证可靠性。
• 词库受限市面方案往往只能使用固定品牌唤醒词。老实说，
• 误触发频繁电视、音乐等背景声容易误唤。
• 上手难度大神经网络模型、DSP 流程让很多硬件开发者望而却步。不过，

本篇文章提供完整的方法——TFLite Micro + ESP‑IDF + ESP32‑S3实现完全离线、低成本、可自定义词库且误触率极低**的语音唤醒。只需一个下午即可跑通，

为什么选 TFLite + ESP32？

如果你的项目涉及智能家居、机器人或任意需要语音交互的硬件，以下需求几乎是必然：

1. 设备能在本地识别特定唤醒词；
2. 无需依赖网络；
3. 可以随时更换关键词；
4. 成本控制在几块钱以内。

ESP32‑S3已经足够在本地跑一个完整的神经网络模型。配合 Google 的轻量级推理引擎 TFLite Micro模型仅 ~80 KB。单帧推理约 360 ms，功耗低、延迟可控。老实说，

词模型到底在算什么？

模型的工作流程直观易懂：

音频 → Mel 频谱 → Backbone → → Head → 概率

• Mel 频谱：把声音转成“图像”。横轴时间、纵轴频率，颜色深浅代表能量大小。
• Backbone：常用 DS‑TCN或 SRNN，将图像压缩为关键特征向量。
• Head：MuliProto Head。仅几百个参数，完成 L2‑归一化 → 原型余弦相似度 → Sigmoid 输出概率。

The final artifact you need:

• .tflite: Backbone
• head.h: MultiProto 权重

快速集成 onnx-wakeword 项目 —— 步骤一键跑通

项目结构概览

esp32/
├── components/voicute/ ← 主要库
├── main/
│ ├── main.cpp ← 示例代码
│ └── head.h ← 替换为你的模型 head
├── spiffs_content/ ← 放置 .tflite 模型文件
├── build.bat / flash.bat ← Windows 一键编译&烧录
└── sdkconfig.defaults ← 已预配置 PSRAM、Flash 等

第一步先这方面。Clone & 编译

git clone https://github.com/voicute/onnx-wakeword.git
cd onnx-wakeword/esp32
build.bat # Windows 环境，一键下载依赖并编译
# 若使用 Linux/macOS，请参考 README 中的 make 命令

The build script已经自动开启 ESP‑IDF 对 TFLite Micro、DSP 与 SR 的组件支持，无需手动修改。

至于接下来，替换为自己的模型

cp your_wakeword.tflite spiffs_content/
cp your_head.h main/head.h
# 注意：文件名保持 .tflite 与 head.h 两种后缀不变

：烧录 & 实时监控

flash.bat # 烧录到 ESP32‑S3
python wake_monitor.py COM5 # Windows 示例。
观察 prob / RMS 实时曲线
# Linux/macOS 可改为对应串口，例如 /dev/ttyUSB0

主要代码只需几行

#include "recognizer.h"
#include "head.h"
#include "kws_postprocess.h"
static void on_wake {
if {
ESP_LOGI;}
}
void app_main {
recognizer_config_t cfg = {
.model_path = "/spiffs",// SPIFFS 挂载目录
.threshold = .70f。// 概率阈值，可调
.l5_enabled = true,// 能量跳变过滤
.l5_delta = .30f,.postprocess = kws_postprocess,};其实，recognizer_start;recognizer_register_callback;while {
int16_t pcm;// TODO: 用 I2S 或 PDM 获取麦克风 PCM 数据填充 pcm
float rms = compute_rms;按理说，int64_t now = esp_timer_get_time / 1000;// ms
recognizer_run_frame;}
}

If you don’t need built‑in MultiNet command demo,simply remove related files from sdkconfig.defaults.

层检测管线 – 把误触降到最低

TFLite 返回的概率只是基础。真正决定使用者体验的是L1~L5 多层过滤器：

L5 是最主要的防误触手段。它确保只有「说话」而非背景音乐能够进入后续确认环节。

调参实战教程

• 首次跑通推荐配置：L5 开启，其余层关闭。因为 ESP32 推理单帧约360 ms，L1 的连续帧确认对实时性影响大。
• If false positives still appear:
  1. C开启 L5 并适当增大 .l5_delta.
  2. If still noisy。raise delta furr until RMS difference 娱乐ween quiet & speech is safely covered.
  3. If device never wakes up，降低 delta，使其略低于 “说话 RMS - 静默 RMS”。怎么说呢，查看串口日志中的 L5 steady: curRms=xxx preMin=xxx... 来定位合适阈值。

If after tweaking L5 you still encounter frequent false triggers in a particular environment,enable L1/L2 as supplemental guards—y add only minimal latency.

获取专属唤醒词模型 – 零代码零 GPU

1. A打开