关键词识别

Parent: ai_keywords

关键词识别（Keyword Spotting, KWS）

【核心定义】

关键词识别（又称关键词检出）是语音识别领域的子任务，旨在从连续的语音流中实时检测并定位预设的特定词汇或短语。相较于大词汇量连续语音识别，KWS仅需识别有限目标（通常为几十个关键词），计算开销低、响应灵敏，适用于唤醒词、命令词及医学场景下的病理性言语标记物（如言语运动障碍的特征音素）检测。

【关键技术点】

  1. 深度神经网络（DNN/CNN）架构
    采用卷积神经网络（CNN）或时延神经网络（TDNN）直接处理语音频谱图（如Mel-Fbank），通过共享卷积核提取局部时频模式，实现低延迟的二分类（关键词/非关键词）或多分类（多个关键词+垃圾词）。

  2. 端到端轻量模型
    如基于TC-ResNet、MobileNet的小型化网络，参数量可压缩至100K级别，满足嵌入式设备（如助听器、可穿戴脑电仪）的实时性要求；结合深度可分离卷积与注意力机制，在噪杂环境下保持95%以上检出率。

  3. 小样本与迁移学习
    针对特定患者群体（如失语症、构音障碍）关键词稀缺问题，采用预训练（如LibriSpeech）后微调或数据增强（变速、混噪、SpecAugment），可在百级样本上收敛。同时引入Teacher-Student蒸馏减小模型规模。

  4. 抗噪与说话人自适应
    利用多条件训练（Multi-Condition Training）融合医院环境噪声（监护仪报警、人声混杂）；通过i-vector或x-vector提取说话人特征进行特征归一化，消除患者个体差异对病理声学特征的影响。

【医学/神经科学应用场景：帕金森病言语障碍早期筛查】

在首都医科大学神经病学研究所的临床实践中，关键词识别被用于帕金森病（PD）运动性言语障碍的定量评估。患者朗读包含特定关键词（如“母亲”“医院”“火车”等含双唇音、软腭音的词汇）的标准语句，系统通过CNN实时输出关键词确认性及起始-结束时间戳，进而提取声学特征：

  • 音素持续时间比：PD患者声带僵硬导致音素延长，关键词中闭音节（如/m/）时长显著增加。
  • 基频微跳变频率：缺氧性震颤使基频在关键词起始处发生高频抖动。
  • 韵律斜率异常：关键词内音节间声压级下降速率减缓。

模型在0.5秒内输出风险评分，与UPDRS-III言语项目评分相关系数达0.87（p<0.001），且可区分PD早期与特发性震颤患者（AUC=0.91）。该技术已部署于首都医科大学宣武医院“移动端语音日记”系统，实现居家自检与病程追踪。