给八岁以下孩子做语音：识别栈里真正要改的是什么

儿童语音产品的第一次演示通常很顺利，然后它会遇上一个四岁的孩子，一个门牙还没长齐的四岁的孩子。坏掉的通常不是某一样东西，而是一堆小小的错位：识别栈预期语音「怎样到来」，和语音实际上「怎样到来」之间的错位。

错位究竟在哪

音高。 幼儿的基频明显高于成人，共振峰随之移动。模型这几年进步很快，但分布的尾部——音调更高、很兴奋、在喊——仍然是准确率先掉下来的地方。

句式。 成人提问，孩子下命令、说碎片、说没有主语的连环句：「不是那个 另一个 蓝色的那个」。用问答语料调出来的识别栈，见到的是它几乎没被训练过的句子形状。

距离与移动。 孩子不会站在麦克风该在的距离上。一米外说，然后隔着房间喊，然后嘴贴着毛绒说。为会议室调的远场阵列是错的工具；一颗位置放对的好麦克风，常常打赢它。

袖子。 毛绒产品的噪声底不是房间噪声，是布料：摩擦、挤压、拖拽。这些声音是脉冲式、宽带的，而且永远贴着麦克风。

栈里要改什么

上面这些，几乎没有一样靠换识别引擎解决。真正挪动数字的是：

• 声学前端：预期更高音段；砍掉低频响应——孩子的声音用不着它，而布料噪声正好住在低频。
• 语言模型偏置：把解码器往这个年龄段的词表和产品自己的内容上压。一只故事毛绒，就该对自己故事里的词格外拿手。
• 置信度与再问策略：低于阈值，角色用自己的人设再问一次，而不是答一个别的东西。一个自信的错误回答，比一句诚实的「再说一遍？」贵得多。
• 唤醒词选型：拿候选词对目标年龄段在看的节目和在听的儿歌过一遍。唤醒词出现在某首爆款儿歌里，产品就会整晚亮着。
• 回复节奏：识别只是一半。小听众需要更慢的语速、更短的句子，而且回复要快点开始——两秒钟的安静读起来就是坏了。

怎么测

不要用模仿孩子的成人——模仿总是太慢、太清楚。有用的测试矩阵是：覆盖年龄段的真孩子；1 米和 3 米；地毯房和瓷砖房；开着电视；有别的孩子在旁边喊。失败按年龄、按条件记录。得到的那张表——而不是平均准确率——就是待办清单：哪种条件、哪个年龄、哪个词、修什么。

最后再记一条值得写下来的：测一测「没有人想跟它说话时，它开口了多少次」。这个数字——每晚误唤醒次数——才是家长抱怨的那个，而且它和识别准确率毫无关系。