xiaozhi-esp32-server/docs/digital-human-wakeword.md

数字人digital-human启动方法

概述

测试页面集成了基于 Sherpa-ONNX 的高精度语音唤醒功能，支持自定义唤醒词和实时检测。使用轻量级关键词检测模型，提供毫秒级响应速度。

唤醒词模型

模型下载（必需）

重要说明: 项目不包含模型文件，需要提前下载配置。

官方模型下载地址

• 官方模型列表: https://csukuangfj.github.io/sherpa/onnx/kws/pretrained_models/index.html
• 推荐模型: sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01

下载和配置步骤

1. 下载模型包

# 方法1：直接下载（推荐）
cd main/digital-human/wakeword_runtime/
wget https://github.com/k2-fsa/sherpa-onnx/releases/download/kws-models/sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01.tar.bz2

# 解压
tar xvf sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01.tar.bz2

# 方法2：使用ModelScope
pip install modelscope
python -c "
from modelscope import snapshot_download
snapshot_download('pkufool/sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01', cache_dir='./models')
"

2. 配置模型文件

模型包下载后包含以下文件：

sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01/
├── encoder-epoch-12-avg-2-chunk-16-left-64.int8.onnx    # 速度优先
├── encoder-epoch-12-avg-2-chunk-16-left-64.onnx
├── encoder-epoch-99-avg-1-chunk-16-left-64.int8.onnx    # 速度优先
├── encoder-epoch-99-avg-1-chunk-16-left-64.onnx         # 精度优先
├── decoder-epoch-12-avg-2-chunk-16-left-64.onnx
├── decoder-epoch-99-avg-1-chunk-16-left-64.onnx         # 精度优先
├── joiner-epoch-12-avg-2-chunk-16-left-64.int8.onnx     # 速度优先
├── joiner-epoch-12-avg-2-chunk-16-left-64.onnx
├── joiner-epoch-99-avg-1-chunk-16-left-64.int8.onnx     # 速度优先
├── joiner-epoch-99-avg-1-chunk-16-left-64.onnx          # 精度优先
├── tokens.txt                    # Token映射表（必需）
├── keywords_raw.txt              # 模型包里可能附带（可选，runtime 不依赖）
├── keywords.txt                  # 现成的
├── test_wavs/                    # 测试音频（可选）
├── configuration.json            # 模型元信息（可选）
└── README.md                     # 说明文档（可选）

3. 选择配置方案

方案一：精度优先（推荐）

cd sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01

# 创建模型目录
mkdir -p ../models

# 复制精度优先的epoch-99 fp32三件套
cp encoder-epoch-99-avg-1-chunk-16-left-64.onnx ../models/encoder.onnx
cp decoder-epoch-99-avg-1-chunk-16-left-64.onnx ../models/decoder.onnx
cp joiner-epoch-99-avg-1-chunk-16-left-64.onnx ../models/joiner.onnx

# 复制配套文件
cp tokens.txt ../models/tokens.txt
# keywords_raw.txt 如果模型包里附带，可自行保留；runtime 不依赖它

方案二：速度优先

cd sherpa-onnx-kws-zipformer-wenetspeech-3.3M-2024-01-01

# 创建模型目录
mkdir -p ../models

# 复制速度优先的epoch-99 int8三件套
cp encoder-epoch-99-avg-1-chunk-16-left-64.int8.onnx ../models/encoder.onnx
cp decoder-epoch-99-avg-1-chunk-16-left-64.onnx ../models/decoder.onnx
cp joiner-epoch-99-avg-1-chunk-16-left-64.int8.onnx ../models/joiner.onnx

# 复制配套文件
cp tokens.txt ../models/tokens.txt

注意事项:

• 不要混用 fp32 与 int8：三个模型文件必须保持一致的精度
• 优先选择 epoch-99：比 epoch-12 训练更充分，精度更高
• 必需文件：encoder.onnx + decoder.onnx + joiner.onnx + tokens.txt + keywords.txt

最终模型文件结构

配置完成后，模型文件应放在 wakeword_runtime/models/ 目录下，完整路径为 main/digital-human/wakeword_runtime/models/：

wakeword_runtime/models/
├── encoder.onnx      # 编码器模型（重命名后）
├── decoder.onnx      # 解码器模型（重命名后）
├── joiner.onnx       # 连接器模型（重命名后）
├── tokens.txt        # 拼音 Token 映射表（228行版本）
├── keywords.txt      # 关键词配置文件（首次启动自动生成）
└── keywords_raw.txt  # 可选，runtime 不依赖

启动方式

在 main/digital-human 目录执行：

pip install -r wakeword_runtime/requirements.txt
python start.py

启动后默认地址：

• 页面地址：http://127.0.0.1:8006/index.html
• 事件桥地址：ws://127.0.0.1:8006/wakeword-ws
• 健康检查：http://127.0.0.1:8006/health

停止方式：

• 在运行终端按 Ctrl+C
• 会同时停止静态页面服务、事件桥和唤醒词检测流程

配置文件说明

配置文件位于 main/digital-human/wakeword_runtime/config.json。

当前主要配置项：

{
  "wakeword": {
    "enabled": true
  },
  "model_dir": "models",
  "audio": {
    "input_device": null,
    "sample_rate": 16000,
    "channels": 1
  },
  "detector": {
    "num_threads": 4,
    "provider": "cpu",
    "max_active_paths": 2,
    "keywords_score": 1.8,
    "keywords_threshold": 0.1,
    "num_trailing_blanks": 1,
    "cooldown_seconds": 1.5
  },
  "logging": {
    "level": "INFO",
    "dir": "logs",
    "file": "wakeword-runtime.log"
  }
}

各字段含义：

参数	说明
wakeword.enabled	是否启用本地唤醒词检测
model_dir	模型和词表所在目录
audio.input_device	麦克风输入设备，默认使用系统默认设备
audio.sample_rate	采样率，默认 16000
audio.channels	声道数，默认 1
detector.num_threads	检测器线程数
detector.provider	推理 provider，当前通常为 cpu
detector.max_active_paths	搜索路径数
detector.keywords_score	关键词增强分数
detector.keywords_threshold	检测阈值
detector.num_trailing_blanks	尾随空白数量
detector.cooldown_seconds	连续触发冷却时间
logging.level	日志等级
logging.dir	日志目录
logging.file	日志文件名

推荐使用流程

首次使用

1. 准备 models/ 目录下的模型文件和 tokens.txt
2. 确认 models/keywords.txt 存在
3. 在 digital-human 目录运行 python start.py
4. 浏览器打开 http://127.0.0.1:8006/index.html
5. 进入设置页检查“唤醒词”配置

修改唤醒词

1. 打开数字人页面设置
2. 切到“唤醒词”页签
3. 修改启用状态或唤醒词列表
4. 点击“应用唤醒词”
5. 根据提示决定是否立即重启

禁用唤醒词

1. 将“启用本地唤醒词”改成禁用
2. 点击“应用唤醒词”
3. 建议立即重启一次

禁用后：

• 页面与事件桥仍然可用
• 唤醒词检测不会继续运行