智慧音箱是怎麼發現你在叫它的?

原來機器裡,一直只在尋找喚醒詞的聲音形狀喔。智慧音箱的機器裡,有一個只尋找喚醒詞聲音形狀的小機制一直在運作,把麥克風收到的聲音拿來比對。只有判斷吻合時,才把接下來的聲音透過網路傳到伺服器,再確認一次喚醒詞後,仔細辨識內容。


只尋找喚醒詞的聲音形狀
根據Amazon的說明,Echo使用一種叫「關鍵詞偵測」的技術,把聽到的聲音和喚醒詞的聲音形狀做比對。說話聲、水聲、鳥叫聲等,會像水流過濾網一樣通過,只有喚醒詞被「攔住」時,聲音才會被傳到雲端再確認一次。Google也說明,待命時機器會檢查幾秒鐘的短聲音,如果沒有找到喚醒詞,那段聲音既不會傳送,也不會儲存。

- 1呼喚的聲音
- 2機身裡把聲音和喚醒詞的聲音形狀比對的零件
- 3形狀不合的聲音不會送出,直接流掉消失
- 4只有比對成功時,後面的話才會送到伺服器
把聲音變成數字,用分數決定
看看Apple在2017年公開的「Hey Siri」說明,就能了解內部的情形。麥克風的聲音會變成每秒16000次的數字,再切成大約每0.01秒的聲音特徵。每次大約取20個,也就是0.2秒,放進一種叫深度神經網路的計算機制,算出它和「Hey Siri」裡的哪些聲音相近。把這些數字依時間順序加總成分數,超過設定的界線(門檻)就會啟動。
小機制與大機制,兩段把關
也有節省電力的巧思。在iPhone上,一直運作的小型輔助處理器會用小模型持續聆聽。分數超過門檻時,主處理器才會醒來,用大模型再檢查一次。最後伺服器上的主要語音辨識還會再聽一遍,如果其實是「Hey Seriously」這類別的話,就會取消。

相似的聲音也可能誤觸
即使如此,有時還是會因為相似的聲音而誤觸。Amazon舉例說,對話中的「Lexus(凌志汽車)」有很小的機率被誤認成喚醒詞。如果家人的名字很像,可以把喚醒詞改成「Echo」「Amazon」「Computer」「Ziggy」。開始聆聽時,機器上的燈會亮起,所以可以知道它什麼時候在聽。
想知道更多
- Apple有一種「第二次機會」的機制:分數差一點沒達到門檻時,會在幾秒內變得比較敏感,只要再說一次就會啟動。
- Apple Watch的電池比較小,所以只有在抬起手腕、螢幕亮起時,尋找「Hey Siri」的機制才會運作。
- 根據2017年的說明,iPhone一開始會請使用者說5句以「Hey Siri」開頭的話來登錄,並比對聲音是否接近登錄者,減少對別人聲音的反應。

三選一小測驗
還記得剛剛讀的內容嗎?來挑戰看看吧!等待呼喚時,機器在做什麼?
看答案
- 把對話全部錄下來
- 尋找喚醒詞的聲音形狀
- 一直關著電源
尋找喚醒詞的聲音形狀 機器把聽到的聲音和喚醒詞的聲音形狀比對,只有吻合時才把聲音傳到伺服器。
機器把聽到的聲音和喚醒詞的聲音形狀比對,只有吻合時才把聲音傳到伺服器。
下一題 ›參考資料
- How Alexa works: Wake wordAmazon(英文)
- Hey Siri: An On-device DNN-powered Voice Trigger for Apple’s Personal AssistantApple Machine Learning Research(英文)
- Data security and privacy on devices that work with AssistantGoogle Nest Help(英文)
本文內容是在 2026-10-03 確認上列資料後撰寫的。隨著研究進展,說明也可能改變。照片的出處標示在各照片下方。
下一則冷知識 ▶
科技手機相機為什麼在暗處也能拍得很亮?明明是很暗的夜路,用手機拍卻很亮。是不是很不可思議呢?

