智慧音箱是怎麼發現你在叫它的?

琥珀
琥珀一叫名字,智慧音箱就馬上有反應呢。它是怎麼發現的呢?
30秒看懂答案
琥珀原來機器裡,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。

琥珀
琥珀那麼,接下來就詳細說明吧。
外層包著布、圓圓的小型智慧音箱
小型智慧音箱。上面排列著幾個按鈕。照片:Samuel Wiki / CC0 / 維基共享資源

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。

圖:發現呼喚的過程
智慧音箱剖面:零件比對聲音和喚醒詞的形狀,不合的消失,只有相符時才把聲音送到雲端伺服器
  1. 1呼喚的聲音
  2. 2機身裡把聲音和喚醒詞的聲音形狀比對的零件
  3. 3形狀不合的聲音不會送出,直接流掉消失
  4. 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。

圖:「Hey Siri」的確認方式
小型輔助處理器用小模型一直聆聽主處理器分數超過時用大模型確認伺服器主要語音辨識再聽一次
琥珀
琥珀用小機制持續聆聽,再用大機制確認。這也是對電池很溫柔的作戰呢。

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。
琥珀
琥珀只等待喚醒詞的聲音,吻合時才傳送聲音。這就是它發現你在叫它的原理。

三選一小測驗

琥珀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
  1. 把對話全部錄下來
  2. 尋找喚醒詞的聲音形狀
  3. 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。

參考資料
  1. How Alexa works: Wake wordAmazon(英文)
  2. Hey Siri: An On-device DNN-powered Voice Trigger for Apple’s Personal AssistantApple Machine Learning Research(英文)
  3. 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?