用途
该技能用于在本地实现唤醒词检测（wake word detection），基于 openWakeWord 完成关键词识别与始终监听（always-listening）系统。典型用例包括语音助手激活短语检测（如“Hey JARVIS”）、低资源占用的持续监听，以及不依赖云端的离线唤醒词识别。技能定位为“具有 openWakeWord、关键词识别和始终监听系统深入专长的专家”。
主要能力
- 隐私优先监听：本地处理音频，不向外部服务发送音频；最小化缓冲，只保留检测所需音频；非唤醒音频立即丢弃；提供易用的禁用/暂停功能。
- 效率要求：平均 CPU 使用目标 <5%，内存占用目标 <100MB，检测延迟目标 <500ms，误报率目标 <1 次/小时。
- 测试驱动开发：先写失败测试，再实现最小通过代码，最后进行完整验证，覆盖检测阈值、检测后缓冲区清理、CPU 占用与内存足迹等测试。
- 误报抑制：通过确认窗口与最少确认次数机制，降低误报。
- 性能优化模式：模型量化（ONNX Runtime 图优化）、预分配环形缓冲、VAD 预处理跳过静音推理、批量推理、内存映射模型加载。
使用方式
技术要求（requirements.txt）包括：openwakeword>=0.6.0、numpy>=1.24.0、sounddevice>=0.4.6、onnxruntime>=1.16.0。
实现流程采用 TDD：
- 先编写失败测试，例如在 tests/test_wake_word.py 中测试检测置信度阈值、检测后缓冲区是否清空、CPU 占用是否低于 5%、内存占用是否低于 100MB。
- 实现最小可让测试通过的代码，例如 SecureWakeWordDetector 类，使用 Model(wakeword_models=["hey_jarvis"]) 加载模型，通过 deque 维护音频缓冲，在 predict 结果超过阈值时清空缓冲并触发回调。
- 运行完整验证：
pytest tests/test_wake_word.py -v
pytest --cov=wake_word --cov-report=term-missing
文档提供了多种实现模式：安全唤醒词检测器（使用 sounddevice 输入流、1.5 秒缓冲、检测后立即清空）、误报抑制（confirmation_window 2 秒、min_confirmations 2 次、平均置信度 >0.6）、模型量化（ORT_ENABLE_ALL 与 CPUExecutionProvider）、高效环形缓冲、VAD 预处理（webrtcvad 判断是否语音再推理）、批量推理（predict_batch）以及内存映射模型加载（mmap）。
适用场景
适合需要本地、离线、隐私保护且资源占用受限的语音唤醒场景，例如桌面语音助手、嵌入式或常驻后台的监听系统。文档明确其风险等级为 MEDIUM，原因包括持续音频监控、隐私影响与资源约束。
限制与注意事项
- 文档强调不得将音频写入磁盘，缓冲区应保持最小（<2 秒），检测后立即清空。
- 性能目标（CPU <5%、内存 <100MB、延迟 <500ms、误报 <1 次/小时）为文档中列出的目标值，未提供在实际硬件上的验证结果。
- 具体模型路径、阈值默认值（如 0.5）等以文档示例为准；未提供的内容暂未提供。
- 提交前检查清单要求：所有测试通过、覆盖率 >80%、误报率测试、CPU 与内存测量、音频绝不落盘。