全时免唤醒

为了实现更自然的交互，系统需要摆脱对“你好，XX”这类唤醒词的强依赖。参考

• 免唤醒指令 (Wake-word-free Commands): 通过一个在 DSP 或低功耗核心上运行的、极轻量级的声学模型实现。这个模型通常是基于 CRNN（Convolutional Recurrent Neural Network）的关键词识别（Keyword Spotting, KWS）模型，但其词典扩展为一组高频、低风险的指令（如“打开/关闭空调”、“导航回家”）。
• 挑战： 最大的挑战是控制误触发率（False Acceptance Rate, FAR）。
• 解决方案：
• 级联模型： 轻量级模型检测到可能的指令后，唤醒主 NPU 上的一个更精确的验证模型进行二次确认。
• 多模态融合： 结合唇动（VAD）、手势等视觉信号，可以大幅降低音频误触发。例如，只有在检测到用户嘴部有对应动作时，才接受“打开车窗”的免唤醒指令。
• 环境事件驱动 (Event-driven Triggers): 系统可以主动发起对话，但这必须建立在深刻的场景理解和克制的交互策略之上。
• 交互预算 (Interaction Budget): 为系统设定一个“打扰预算”。例如，在一次行程的前10分钟，最多主动发起1次对话。如果用户回应积极，预算可以略微增加；如果用户忽略或拒绝，预算则在一段时间内清零。