JavaScript + ONNX Runtime Web 实现浏览器离线唤醒词

网页里做语音功能很多人的第一反应是调用云端语音识别采集麦克风、上传音频、等待返回文字再判断用户说了什么。但如果需求只是“开始录音”“下一页”“打开面板”或者一个固定唤醒词整套 ASR 链路其实太重了。更合适的做法是关键词识别KWS模型不转写整句话只判断目标短语有没有出现。这类模型足够小可以直接放进网页由 ONNX Runtime Web 在浏览器本地推理麦克风 → 单声道 PCM → 重采样到 16kHz → Mel 特征 → ONNX 模型 → 时序判决 → 触发前端事件模型和运行库加载完成后音频不需要上传到业务服务器。先在线体验再决定是否集成听词控制台已经放了可以直接使用的演示模型打开 Voicute 控制台 并登录在“演示模型”区域选择一个模型点击“在线测试”允许浏览器使用麦克风后就能直接说出页面显示的关键词观察识别分数和触发结果。演示模型旁边同时提供“下载”按钮。下载后可以通过页面给出的推理代码在本地复现不必先训练自己的模型。自己生成的模型也可以先在控制台里用麦克风测试确认实际发音效果后再下载部署。也就是说可以先用现成 Demo 验证“浏览器本地推理”这条链路再考虑自定义关键词和正式集成。为什么值得放到浏览器里做第一是隐私。原始麦克风音频留在当前页面不需要为了一个固定指令持续上传。第二是部署简单。静态站点、内网控制台、PWA、展厅大屏和设备配网页面都可以直接承载推理逻辑不需要另建语音识别服务。第三是响应稳定。没有网络往返触发延迟主要来自音频窗口、模型推理和判决规则。当然它不适合自由对话。如果要把任意一句话转成文字仍然应该使用 ASR。模型输出不能直接当触发结果KWS 模型通常对连续的短音频窗口输出概率。如果只写一句“概率大于 0.7 就触发”很快会遇到三个问题键盘、关门等瞬态声音造成尖峰同一句唤醒词跨多个窗口连续触发多次电视和音乐里的相似发音造成误唤醒。所以完整引擎还需要后处理规则作用连续帧确认过滤单帧尖峰冷却时间防止一次发音重复触发峰值与背景比避免在持续底噪上误判爆发封锁处理电视、音乐等连续高概率片段能量跳变判断人声是否从近期背景中突然出现调参原则不是“五层全开、数值拉满”而是先只开连续帧和冷却时间再根据真实误触类型逐项增加限制。过滤越严格漏检风险也越高。前端代码应该怎么组织业务层最好只接收检测事件不直接处理音频帧和张量constdetectorawaitWakeWordDetector.create({modelUrl:/models/ni-hao-xiao-ting.onnx,threshold:0.72,consecutiveFrames:2,cooldownMs:1800})detector.on(detected,({keyword,score}){console.log(检测到,keyword,score)openControlPanel()})awaitdetector.start()具体库的 API 会不同但结构最好保持清晰检测器负责麦克风、特征、推理和时序状态业务代码只决定检测成功后做什么。浏览器端的几个工程限制除 localhost 外浏览器麦克风通常要求 HTTPS。页面还需要明确的用户授权音频上下文往往也要由点击等用户操作启动。设备输入可能是 44.1kHz 或 48kHz而模型通常要求固定采样率。必须在送入特征提取前重采样否则即使张量形状没报错识别效果也会明显下降。浏览器还可能降低后台标签页的执行频率移动端甚至会挂起页面。需要常年待机的硬件更适合 Android、Linux 或 ESP32-S3浏览器适合用户正在使用的页面。上线前怎样测不要只拿训练样本测试。建议自己建立一个小测试集多个人以不同语速、距离说目标词正常聊天但不说目标词电视、音乐、键盘和房间底噪目标产品实际会遇到的麦克风和设备。正样本统计召回率长时间负样本统计误触发次数两者不要混成一个“准确率”。如果某种口音或自然说法总是叫不醒加入少量经过授权的真人录音重新训练通常比不断降低阈值更有效。什么时候应该选这套方案适合网页唤醒词、语音快捷键、展厅大屏、演示控制、无障碍操作、网页内按词启动录音以及少量固定命令。不适合语音输入法、会议转写、自由对话和开放词表搜索。开源项目 onnx-wakeword 提供了浏览器等平台的参考推理实现。自定义模型可以自行训练也可以通过 听词 Voicute 生成标准 ONNX/TFLite 文件下载后在本地运行不需要推理 AccessKey也不按设备收运行费用。想先验证效果可以直接进入 控制台演示模型点击“在线测试”需要本地调试时再点击“下载”取得模型和集成入口。官网还提供了可被搜索引擎直接访问的完整教程浏览器端离线唤醒词用 ONNX 实现网页本地语音触发。