去年接了一个智能家居传感器的项目，客户要求设备在纽扣电池供电下撑一年以上，同时还要保留“语音唤醒”功能。听到这个需求，我脑子里第一个反应就是：常规方案绝对扛不住。只要让麦克风通路常开，数字语音处理芯片一直跑着，电流就是毫安量级，CR2032根本活不过几周。那段时间我把TI、ADI、Syntiant、Knowles这些厂家的低功耗语音方案翻了个遍，最后搭了一套“模拟VAD先监听，数字DSP后确认”的多级唤醒架构，把待机监听电流压到了微安级别，整机平均功耗不到5μA，才算真正接住了这个需求。
这篇文章想把这套方案从头到尾拆开讲一遍，包括为什么近零功耗语音唤醒必须做分级、模拟前端怎么设计、唤醒词检测怎么调度、实测怎么测、以及我踩过的那些坑。适合正在做电池供电语音设备、或者准备把语音控制塞进智能门锁/无线传感器/可穿戴设备里的工程师参考，哪怕你之前没做过语音，也能照着把整个链路搭起来。
1. 项目背景与功耗困局
1.1 传统语音唤醒方案为什么扛不住
市面上一提到语音唤醒，很多人第一反应就是“小爱同学”“天猫精灵”那种智能音箱方案：一颗音频DSP或SoC常开，麦克风阵列持续采集、回声消除、唤醒词网络在前端一直跑。这种方案体验确实好，但代价是功耗动辄几十毫安到几百毫安。智能音箱插着电无所谓，可一旦换成电池设备，这就是灾难。
我做过的几款产品里，采用常开DSP方案的设备，整体监听功耗普遍在20mA以上。如果客户要求待机一年，单电池容量至少要 20mA × 24h × 365 ≈ 175Ah，这已经远超消费级电池能提供的量级。哪怕把DSP换成功耗更低的专用助听器芯片，比如常见的低功耗音频编解码器+轻量NN加速，常开状态下也极难低于2~3mA。对纽扣电池而言，这依旧是几百倍以上的超支。
这里有一个很关键的产品逻辑：真正需要“听”的时间其实极少。绝大多数时候，设备周围是安静的，麦克风采集到的只是环境本底噪声。如果能让一小部分超低功耗模拟电路常开，去判断“环境里有没有疑似语音”，有动静了再把DSP拉起来做二次确认，无动静就继续睡觉，那平均功耗能降低两三个数量级。这就是近零功耗语音激活方案的核心思路。
1.2 功耗预算怎么算才合理
在做这个项目之前，我专门建了一版功耗预算表，用Excel拉了各状态电流和时间占比。当时客户给的硬指标是：两节AA电池（约2000mAh可用容量），待机一年以上，同时每天至少支持20次语音唤醒。按这个要求反推平均待机电流不能超过 2000mAh / 8760h ≈ 228μA，看着好像不难，但如果要预留峰值功耗、低温自放电、电源转换损耗，实际平均电流必须控制在30μA以内才稳妥，越低越好。
于是我把方案目标定为：整机平均监听电流小于10μA，语音激活后系统状态切换在1ms内完成，用户说“你好小X”后到MCU确认唤醒的时延不超过300ms。这组数字定下来后，所有器件选型、电路结构、固件调度都有了明确导向——好的目标预算表能把方案讨论时间缩短一半。
1.3 近零功耗的真正含义
“Near-Zero-Power”这个词并不严谨，物理上没有真正的零功耗，它指的是把设备在“安静监听”状态下的功耗压低到接近电池自放电的水平。以CR2032为例，它年自放电大约为标称容量的1%~3%，也就是2~7mAh/年。如果一个语音唤醒方案能把监听功耗做到5μA，年耗电量约为44mAh，虽然还是比自放电高，但已经处于“可以忽略”的量级，起码不会成为电池寿命的短板。
做这个项目时，我给自己定的参考线是：监听功耗不超过电池年自放电的5倍。超过这个值，语音功能就会显著影响待机时长，用户感知会非常明显。如果低于这个水平，那就可以放心大胆地去优化唤醒成功率和误唤醒率，而不用过度纠结功耗。
2. 近零功耗语音激活的整体架构设计
2.1 多级唤醒：模拟VAD、数字VAD、唤醒词检测
近零功耗语音激活的关键不是把某一个模块做到极致省电，而是搭建一条“由低功耗向高功耗逐级递进”的唤醒链路。我的设计分为三级：
- 第一级，模拟语音活动检测（模拟VAD）：一个纯硬件电路，里面只有微功耗比较器、运放、滤波器和少量电阻电容。它常开监听麦克风的模拟输出，检测到声音能量超过阈值时输出一个脉冲信号。这一级听声音能量的“大小”，不做任何语义判断。整体电流被我压到了2~4μA。
- 第二级，数字VAD：当模拟VAD触发了，MCU从Deep Sleep醒来，打开内置ADC采集一小段音频，用短时能量、过零率、持续时间等特征判断这段声音到底是语音还是碗碟碰撞、门铃声、电视噪声。这一级只在触发后工作，持续时间一般30~150ms，等效电流增加很小。
- 第三级，唤醒词检测：数字VAD确认是语音后，MCU继续采集1~2秒音频，通过片上DSP或轻量级神经网络搜索预置的唤醒词，比如“小X小X”。匹配成功才真正把主系统唤醒，点亮屏幕、启动生态链路、开始识别命令词。
这个结构带来的最大变化是：功耗最高的模块始终不常开，只在自己被需要时工作几十毫秒。从系统角度，平均功耗 = 常开模拟电路电流 × 100% + 数字VAD电流 × 触发占空比 + 唤醒词检测电流 × 触发占空比。只要后两级触发频率不高，平均功耗就基本被第一级主导。
2.2 关键器件选型与指标取舍
微功耗比较器是这套电路的核心。我选型时对比了TI TLV3691、LPV7215和ADI MAX9646，最终用了TLV3691，它的静态电流约为300nA，响应时间约20μs，对语音包络检测足够。唯一要注意的是输入端偏移电压，TLV3691的最大偏移约2mV，对于3.3V供电下的阈值电压来说偏差很小，基本不影响触发精度。
微功耗运放方面选了LPV521，噪声略高，但在100Hz~3kHz频段内做包络检测完全够用。它的静态电流也只有微安级别。如果要求更高信噪比，可以考虑OPA349，功耗稍高但在20μA以内。
麦克风是另一个容易忽视的功耗大头。很多模拟MEMS麦克风的偏置电流在50~100μA，如果常开，比比较器和运放加起来还高，直接毁掉近零功耗的目标。我后来用了Knowles SPU0410LR5H-QB这类超低功耗模拟MEMS麦克风，典型偏置电流可以做到20μA以下，再配合脉冲式偏置，平时每200ms只给麦克风供电20ms，监听功耗又降了一截。当然，脉冲式偏置会漏掉脉冲间隙内极短暂的声音事件，但对绝大多数交互场景来说，200ms的轮询周期不会明显影响唤醒成功率。
MCU我参考了STM32U575、EFM32TG11和nRF52840这几颗芯片。最终选了STM32U575，因为它在Fast Wakeup模式下从Stop模式唤醒到执行首条指令只需要约3μs，而且片上有足够的DSP算力跑轻量级唤醒词模型。10μA以下的Stop模式电流对整体方案没有任何压力。
2.3 电源域划分与Always-On域设计
多级唤醒架构让系统里同时存在多个功耗等级不同的模块，因此电源域划分必须提前做。我把它分成三个域：
- Always-On域：包括模拟VAD电路、MCU的低功耗定时器/GPIO唤醒逻辑、基准电压源、电池电压监测。这个域在任何状态下都供电，但不给数字音频子系统和无线射频模块供电。
- Conditional域：包括音频编解码器/麦克风偏置、NFC或无线透传芯片、主系统外设。只有模拟VAD检测到事件后，由MCU控制负载开关为其供电。
- Full域：包括应用处理器或主控SoC、显示屏、马达、传感器矩阵。只有唤醒词确认后才开启。
这样的划分让“安静状态”下Flow到地里的电流路径被物理切断，而不是仅仅依赖固件关外设。有个细节：电源域切换时会产生掉电和上电的毛刺，如果不做软启动限流，对电源轨的冲击很大。我给Conditional域加了一颗带软启动的负载开关，型号是TPS22918，启动时间约1ms，足够避开音频模拟电路的settling time。
3. 实操过程与核心环节实现
3.1 模拟VAD电路的原理与参数计算
模拟VAD的原理并不复杂，整体链路是：麦克风信号 → 前置放大 → 带通滤波 → 包络检波 → 比较器输出。我按下面的参数搭了电路，可以直接参考。
前置放大增益我设在了约200倍（46dB），目标是最小能检测到约50dB SPL的说话声。按SPU0410LR5H-QB灵敏度约-38dBV/Pa计算，50dB SPL对应的声压约为0.063Pa，麦克风输出电压约0.063Pa × 0.0126V/Pa ≈ 0.8mV RMS，经过200倍放大后约160mV RMS，再经包络检波后峰值约230mV。比较器阈值我设在200mV，这意味着环境噪声低于50dB SPL不会误触发，说话人距离设备30~50cm时能稳定触发。
带通滤波器我用了二阶高通+一阶低通，频段设置在200Hz到3kHz，主要覆盖人声的基频和第一、第二共振峰范围。高通截止频率不能太高，否则男声的基频会被滤掉，我把转折点设在200Hz，实测对轻声男声仍然友好。低通设为3kHz，能剔除一些高频嘶嘶声和超声触发的问题。
包络检波用的是微功耗二极管+RC并联，时间常数取10ms。太短会导致语音音节之间的空隙产生多个脉冲抖动，太长则会让持续性的噪声也聚合成一个长脉冲，难以判断语音起始位置。10ms是折中值，基本能还原语音音节包络。
比较器我加了正反馈电阻，实现了大约30mV的迟滞。这个迟滞非常关键，在阈值附近，没有迟滞的话比较器会因噪声反复翻转，导致MCU不断被唤醒、功耗瞬间上升。有了30mV迟滞之后，实测触发后输出稳定，不会出现“抖振唤醒”。
3.2 MCU侧唤醒调度与固件状态机
MCU侧状态机设计是整个固件最核心的部分。我用了四个状态：IDLE、STABLE_VOICE、KEYWORD_DETECT、SYSTEM_RUN。
IDLE状态下，MCU处于Stop2模式，只有模拟VAD的比较器输出引脚和RTC定时器在活动。比较器输出由EXTI线接入MCU，高电平触发唤醒。唤醒后第一件事不是立刻采集音频，而是给音频条件域供电，等待约20ms让麦克风和运放稳定，然后读取比较器输出是否仍然有效，并启动ADC采集。
STABLE_VOICE是数字VAD阶段。我采集了32ms音频做短时能量和过零率分析，如果短时能量高于阈值，同时过零率处于100Hz~3kHz人声范围，就认为这是一个稳定语音事件。如果只是脉冲噪声，过零率往往非常高，短时能量又会有极尖锐的峰值，很容易被剔除。这个阶段执行时间约为40ms，在3.3V、48MHz主频下，瞬时电流约8mA，但由于时间短，折合平均功耗只有几微安。
STABLE_VOICE通过后进入KEYWORD_DETECT。这一阶段MCU采集约1.2秒的音频，先做MFCC特征提取，再用CMSIS-NN跑一个12KB的卷积模型，识别“小X小X”的概率是否超过0.8。为了防止系统被长语音或环境音卡在识别阶段太久，我加了600ms超时保护：如果识别分数始终低于阈值，就回到IDLE。整个识别阶段运行时间约1.5秒，电流约12mA，计算下来每次完整识别约消耗5μAh的电量，完全可以接受。
3.3 功耗测试方法与实测数据
功耗测试是项目里最容易糊弄也最需要较真的环节。我先用高侧电流采样电阻+示波器记录瞬时电流波形，再用IOTA的精确电流表跑整晚的积分测试，两个结果交叉验证。注意，用万用表电流档测平均功耗时，如果被测设备有突发大电流，精度会失真，必须用带锁存功能的电流积分工具。
实测的数据如下：纯模拟VAD监听电流2.8μA（不含MCU深度睡眠电流），MCU深度睡眠电流1.2μA，合起来3.9μA。每次模拟VAD触发后MCU唤醒执行数字VAD，平均占空比0.1%，等效额外功耗约0.9μA。每次唤醒词识别后加主系统运行，假设一天5次、每次2秒、平均电流20mA，等效额外功耗约2.3μA。最终整机长期平均电流约7.1μA。换算到两节AA电池2000mAh可用容量，理论待机约28万小时，当然实际还要扣除电池自放电和低温损耗，但两年以上待机没有悬念。
这个数据在客户验收时被反复质疑过几轮，因为通常语音设备都在毫安级别。后来我们直接输出了一整晚的积分电流曲线，在凌晨安静时段整机电流长期维持在4μA附近，他们才松口。实测证明，只要分级唤醒设计到位，微安级监听电流并不是纸上谈兵。
3.4 电池、电源转换和低电压阈值补偿
电池供电系统有一个容易被忽略的细节：随着电量下降，电池电压会从4.2V跌到3.0V甚至更低。而比较器的阈值是分压电阻从VDD得来的，VDD本身也是3.0~4.2V变化，这会导致触发灵敏度跟着漂移。阈值越高，低电压下越容易漏触发。
我做了两个补偿措施：一是给比较器阈值供了一个微功耗基准源，用TLV70018（静态电流约600nA），输出精确的1.0V基准，再在基准上用电阻分压产生200mV阈值。这样无论电池电压怎么掉，触发点基本不变。二是固件定期读取电池电压，当电压低于3.2V时，主动把数字VAD的能量阈值下调3dB，让安静环境下的微弱人声也能被捕获。实测在电池接近放电末期时，唤醒成功率仍然稳定在95%以上。
4. 常见问题与排查技巧实录
4.1 误唤醒和漏唤醒的平衡
误唤醒是语音设备最惹人烦的问题，我家那台测试样机有一阵子经常被电视里的笑声触发，刚开始还以为是硬件问题。排查后发现，模拟VAD阈值200mV的理论触发点是50dB SPL，但电视节目中的笑声和掌声往往能达到70dB SPL以上，直接击穿阈值。而数字VAD过零率判断对音乐声也容易混淆，因为音乐中语音频段的能量可能比人声还大。
最后我做了三层妥协：第一层，模拟VAD从单脉冲触发改为连续两次脉冲确认，每次脉冲间隔约30ms，这样单次突发噪声很难同时创造两个有效语音脉冲；第二层，数字VAD用25ms短时能量加50ms长时能量的比值作为判决条件，相比单纯短时能量，能更有效地过滤持续性的背景音乐；第三层，唤醒词模型训练时专门混入电视音、门铃声、餐具碰撞声作为负样本，把误唤醒从每天十几次降到每天不到两次。漏唤醒方面，我保留了“双阈值机制”：正常阈值保证日常对话能唤醒，低阈值用于安静环境下的轻声唤醒，低阈值触发后固件会记录一次“近误触发”事件，不会直接唤醒主系统，但会给数字VAD提供更多时间来判断。
4.2 麦克风偏置漏电和PCB布局的坑
有一版PCB打样后，我测待机电流怎么都压不到5μA以下，总在8μA左右徘徊。排查了很久，发现是麦克风偏置电路的问题：我给模拟MEMS麦克风加了一个常开的LDO供电，可LDO自身静态电流就有3μA，加上麦克风偏置电阻漏电，整体电流就抬上去了。解决方法是把麦克风供电改成由MCU GPIO控制的负载开关，平时关闭，只有模拟VAD触发后才开启。不过这样改动后，模拟VAD电路自身就没有麦克风信号输出了，所以麦克风偏置实际上由“常开的低成本电阻+二极管”和“可关断LDO”双路组成，正常时用低漏电路径，事件触发后再确认一次。
PCB布局上，麦克风尽量放在板边、远离开关电源电感。我第一版把麦克风放在了DCDC电感正下方，结果只要DCDC一工作，麦克风拾取到的开关噪声比人声还大。改到板边并增加地隔离后，底噪降了约15dB。另外，电容触摸按键和音频走线也不能平行布太长，否则每次触摸屏扫描都会给模拟VAD一个伪触发信号。
4.3 低温环境和电池内阻的影响
电池在低温下内阻会显著增大，瞬间大电流时电压会跌落，导致模拟VAD比较器误判。我遇到一次，在-10°C环境下，设备每隔几分钟就误唤醒一次。分析后发现，低温时电池电压被拉低到接近比较器参考电压的临界点，系统一启动，DCDC峰值电流又让电压掉得更狠，模拟VAD的阈值跟着漂，反复触发。
针对这个，我把模拟VAD的参考电压源改成独立于主电源的微功耗基准，同时给MCU的电压监测模块增加“低电压抑制”标志：当电池电压低于3.0V时，MCU会拒绝因模拟VAD中断而进入唤醒流程，直到电池电压恢复到安全范围。这个处理虽然牺牲了一点低温下的唤醒体验，但至少不会让系统陷入误触发死循环。
5. 一些补充心得和后续扩展方向
项目做完之后，我最大的体会是：近零功耗语音激活的价值不只是延长电池续航，它带来的是产品定义上的自由度。以前因为功耗限制不敢做的“常开语音入口”，现在可以在门锁、传感器、遥控器、医疗贴片上尝试了。这个方案的瓶颈也从“电路能不能做出来”转移到了“如何在微安级功耗下保留足够好的唤醒体验”。
如果后续要继续扩展，我最关注两个方向：一是把关键词识别的模型做得更小更准，直接在Cortex-M4级别的MCU上跑更丰富的词表，争取把唤醒词+命令词一体化；二是尝试事件驱动型传感器融合，比如把模拟VAD和PIR热释电传感器联动，声音和人体活动都满足条件才触发唤醒，这样误唤醒率和功耗都能进一步下降。语音人机交互在电池设备上普及只是时间问题，先把功耗这座山翻过去，后面的路就好走多了。
