如何构建训练TensorFlow模型识别唤醒词'red on'/'red off'以控制LED

1. 数据集准备 #

• 你需要准备三类16kHz单声道音频样本，单条时长控制在1~1.5s即可：red on、red off、无关语音/背景噪音，每类样本量至少500条，最好覆盖不同口音、不同录制距离、不同环境噪音的场景，自己录制或者从公开语音数据集裁剪都可以。
• 做数据增强降低过拟合风险：对现有样本随机加高斯白噪、±10%时间拉伸、±半音音调调整，能直接把样本量翻3~5倍。
• 统一提取MFCC特征作为模型输入：用TensorFlow内置的tf.audio.compute_mfccs接口就可以，每条样本提取13维MFCC特征，不需要额外处理复杂特征。

2. 模型构建与训练 #

就用轻量型CNN就行，完全能满足两个唤醒词的识别需求，不需要上大模型，训练快还容易部署到嵌入式设备。

import tensorflow as tf
from tensorflow.keras import layers, models

# 输入shape根据你MFCC提取的时间步长调整，这里是44个时间步、13维特征
model = models.Sequential([
    layers.Input(shape=(44, 13)),
    layers.Reshape((44, 13, 1)),
    layers.Conv2D(32, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.3),
    # 3分类输出：red on、red off、其他无效指令
    layers.Dense(3, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

• 把数据集按8:1:1拆分训练集、验证集、测试集，训练20~30轮就行，加个早停回调，验证集准确率连续3轮不涨就停止训练，避免过拟合。
• 训练完成后把模型转成TensorFlow Lite格式，压缩后体积很小，适合嵌入式部署。如果识别准确率不够，优先加对应类别的样本，其次调整推理置信度阈值，比如只有识别置信度高于0.8才判定为有效指令，能大幅降低误触发概率。

3. 对接LED控制逻辑 #

根据你用的硬件选择部署方案即可，常用的两种方案：

• 树莓派部署：接USB麦克风，跑TensorFlow Lite实时采集音频推理，识别到red on就调用GPIO口输出高电平点亮红色LED，识别到red off就输出低电平熄灭。可以加连续两次识别一致才执行的逻辑，进一步降低误触。
• ESP32嵌入式部署：把TFLite微解释器和模型一起烧录到ESP32里，外接MEMS麦克风和LED，推理逻辑和上面一致，功耗比树莓派低很多，适合长期运行。

内容的提问来源于stack exchange，提问作者Elsa B.