声音类型定义

当前支持的声音类型

SDK 目前支持九种声音检测模型，各自为独立模块：

婴儿哭声检测

在复杂家庭环境中检测婴儿哭声，区分电视声、对话声和家电声。适用于婴儿监视器、智能摄像头和车内儿童遗留检测（CPD）。

• 泛化支持不同月龄（新生儿到幼儿）

• 在 -10dB 到 +10dB SNR 噪声条件下表现鲁棒

• 误报率 < 2%

• 测试集：12,000+ 音频片段

鼾声识别

检测鼾声事件，区分正常呼吸声和翻身声。适用于睡眠监测仪、智能床垫和健康穿戴设备。

• 泛化支持不同年龄和性别

• 对空调、风扇等持续背景噪声鲁棒

• 输出每段鼾声的起止时间戳

• 误报率 < 2%

• 测试集：8,000+ 音频片段

狗叫识别

检测犬吠声，区分其他动物声（鸟叫、猫叫）和环境噪声。适用于智能门铃和户外安防摄像头。

• 跨犬种识别

• 户外风噪、雨声环境下保持准确率

• 支持 5-10 米远距离检测

• 误报率 < 2%

• 测试集：10,000+ 音频片段

其他引擎

猫叫识别、玻璃破碎检测、警报声检测、枪声检测、敲门声检测、尖叫声检测采用相同的模块结构——同一套 API、同样的集成流程与部署指南。各模型的应用场景与性能说明见对应产品页面。

模型架构

所有模型共享相同的架构：

1. 前端：Mel 频谱图（225×225，64 Mel 频带，16kHz）

2. 主干：轻量 CNN，使用深度可分离卷积

3. 输出：2 类 softmax（目标声音 / 非目标声音）

使用数据增强（噪声注入、时间拉伸、音高偏移）进行训练以提高鲁棒性。详见基准测试博客文章。