我们的命令词检索方法：
用HMM filler model的方法，先识别，识别出一段语音内的phone序列，如果有命令词对应的phone序列，则提取DNN对应命令词起止时间内的后验概率等特征，几十维，送入二级DNN判断，做二分类判断，二次确认是否是命令词。
对于相像的关键词，比如“清洗”、“清洗衣服”，到了“清洗”就唤醒，是不是唤醒了再进行后处理，看看“清洗衣服”是否唤醒，才决定是“请洗衣服”or“清洗”；也就是说，多了一层逻辑
现在的瓶颈在于，说话说着说着突然喊一声唤醒词/高噪声环境下喊唤醒词，因为此时VAD很早就工作了，就一直在录音，截一段判断一次，因此可能没截全唤醒词，这时候filler model的分数很高，keyword model的分数不高，因此就容易唤不醒。
雷博说，filler model要做的比较复杂，多个filler model
雷博说：一个企业做的TWS耳机上的命令词（12个命令词）结果：
大概是这个水平 -5到0db 67%，0-5db大约80+%，5-10db 85+%，10-15db 94%+，安静97%。
误识别大概是44小时新闻联播等说话语料，大概3~5次。
先用端到端（64K，就是个片段分类的模型）做1级，不用解码，全部在深度学习专有芯片上运行，功耗很低。然后二级用了一个TDNN的FST解码的方案，模型也是64K。建模单元是合并的音素，大概有六七十个。
由于需要解码必须需要在MCU或者DSP上进行解码。
一些经验；
1）端到端的模型虽说识别率比较高，到误识别很难控制。
2）使用空洞卷积TDNN，看到更多上下文信息，准备batch的时候，控制好帧级别正负样本比例。我们没有用序列模型，所以训练TDNN并不是给句子，而且按帧（扩展TDNN所需要的上下文帧数）给，控制正负样本比例大概4：1
我的目标：10db 唤醒率95%，误唤醒<1~2次/12h，内存300k ~ 500k