手机是怎么知道你在喊它的？

你对着手机喊了一声“Hey Siri”或“小爱同学”，屏幕亮起，语音助手回应：“我在。”这几秒钟里，手机到底经历了什么？为什么它能精准识别你的声音，而不是被电视里的广告或路人的闲聊误唤醒？这其实就涉及到了一个叫做语音唤醒的技术。

01、一直在听，但几乎不费电

如果你以为手机为了等你喊它，一直在全功率运行，那就错了。如果真是这样，那手机早没电了。手机里其实有一块独立的低功耗芯片（比如高通的Hexagon处理器、苹果的神经引擎、华为麒麟的NPU），它在手机待机时依然保持运行，专门负责处理麦克风传来的声音。

图片源自：网络这块芯片只做一件事，即持续监听音频流中是否出现唤醒词的声音特征。它不会把你的每句话都录下来，也不会把任何音频上传到云端。它就像一个高度专注的值班门卫，只认一张脸（唤醒词的声音特征），其他一概不理。整个过程在本地完成，功耗极低，单次唤醒的能耗甚至可以低于1毫焦。

低功耗芯片持续采集声音后，接下来要做的是判断这段声音是不是唤醒词。手机里预置了一个极其精简的唤醒词声学模型。这个模型不关心你说了什么内容，只关心声音特征（如频谱、音素、韵律）是否与预设的唤醒词高度匹配。

当你说出“Hey Siri”时，声音被拆解成毫秒级的片段，提取声学特征，与模型进行比对。如果匹配度超过某个阈值，芯片就会触发一个信号。现代技术通常采用多阶段检测架构，即先用轻量级模型快速筛选候选片段，再用更复杂的模型精准验证。这种分层的设计，能在保证准确率的同时把误唤醒率降低90%以上。

防止别人喊一声就能唤醒你的手机，手机厂商还做了另一件事，即声纹识别。你在第一次设置语音助手时，系统通常会要求你在安静环境下清晰朗读唤醒词三遍。这个过程就是在提取你的声纹特征，并构建本地声纹模型。

当系统检测到唤醒词后，会进一步验证这段声音是否来自你本人。只有当唤醒词匹配且声纹验证通过时，手机才会被真正唤醒。这些声纹模板会被加密存储在本地（通常是在TEE可信执行环境中），不会上传到云端。整个过程在本地完成，不会上传任何一个字节的音频到云端。

验证通过后，低功耗芯片会向主处理器发送一个中断信号。手机屏幕亮起、语音助手给出反馈（比如“叮”的一声或“我在”）。此时，手机的主系统才正式启动，麦克风开始高精度收音，语音转文字、意图识别、多轮对话等高负载任务才被激活。

后续的指令解析通常由云端完成，但唤醒词和声纹这些生物特征始终留在本地。

2026年，语音唤醒技术正在从喊名字向无感对话演进。借助更强大的端侧AI芯片，设备可以实现低功耗持续音频分析，不再严格依赖关键词触发。

系统通过流式语音识别与意图识别模块，实时判断用户是否在对设备说话。荣耀V30等机型在无网络环境下，唤醒识别率已能持续高于96%；华为小艺的语音唤醒完全在设备本地完成；2026年4月，小艺Claw还通过了中国信通院的安全专项评测，成为国内首个拿到国家级认证的智能体。

一声Hey Siri背后，是一个低功耗芯片持续待命、本地模型精准匹配、声纹验证确保安全、主系统按需唤醒的完整链路。整个过程中，你的语音数据始终留在本地，不会被上传到云端。#语音助手