另一方面
，用户对体验效果的追求越来越高。目前语音唤醒主要应用于C端，用户群体广泛 ，且要进行大量远场交互，对唤醒能力提出了很高要求 。

要解决两者之间的矛盾
，对于低功耗需求，我们采用模型深度压缩策略 ，减少模型大小并保证效果下降幅度可控；而对于高效果需求
，一般是通过模型闭环优化来实现
。先提供一个效果可用的启动模型，随着用户的使用 ，进行闭环迭代更新
，整个过程完成自动化，无需人工参与。

语音唤醒的典型应用

语音唤醒的应用领域十分广泛 ，主要是C端产品
，比如机器人、音箱 、汽车等 。比较有代表性的应用模式有如下几种：

?传统语音交互：先唤醒设备，等设备反馈后（提示音或亮灯） ，用户认为设备被唤醒了
，再发出语音控制命令，缺点在于交互时间长
。

?One-shot：直接将唤醒词和工作命令一同说出 ，如“叮咚叮咚，我想听周杰伦的歌”
，客户端会在唤醒后直接启动识别以及语义理解等服务，缩短交互时间。

?Zero-shot：将常用用户指定设置为唤醒词 ，达到用户无感知唤醒
，例如直接对车机说“导航到科大讯飞 ”，这里将一些高频前缀的说法设置成唤醒词 。

?多唤醒：主要满足用户个性化的需求 ，给设备起多个名字
。

?所见即所说：新型的AIUI交互方式
，例如用户对车机发出“导