代码拉取完成，页面将自动刷新
KITT.AI出品。
Discussion Group (或者发送邮件给 snowboy-discussion@kitt.ai)
（因为我们每天都会收到很多消息，从2016年9月开始建立了讨论组。请在这里发送一般性的讨论。关于错误，请使用Github问题标签。）
版本：1.3.0（2/19/2018）
Snowboy现在为运行在Raspberry Pi上的Alexa AVS sample app提供了hands-free的体验！有关性能以及如何使用其他唤醒词模型，请参阅下面的信息。
性能
唤醒检测的性能通常依赖于实际的环境，例如，它是否与高质量麦克风一起使用，是否在街道上，在厨房中，是否有背景噪音等等. 所以对于性能，我们觉得最好是在使用者真实的环境中进行评估。为了方便评估，我们准备了一个可以直接安装训醒的Android应用程序：SnowboyAlexaDemo.apk (如果您之前安装了此应用程序，请先卸载它) 。
个人模型
# Please replace YOUR_PERSONAL_MODEL.pmdl with the personal model you just
# created, and $ALEXA_AVS_SAMPLE_APP_PATH with the actual path where you
# cloned the Alexa AVS sample app repository.
cp YOUR_PERSONAL_MODEL.pmdl $ALEXA_AVS_SAMPLE_APP_PATH/samples/wakeWordAgent/ext/resources/alexa.umdl
APPLY_FRONTEND 为 false，更新 SENSITIVITY，并重新编译# Please replace $ALEXA_AVS_SAMPLE_APP_PATH with the actual path where you
# cloned the Alexa AVS sample app repository.
cd $ALEXA_AVS_SAMPLE_APP_PATH/samples/wakeWordAgent/src/
# Modify KittAiSnowboyWakeWordEngine.cpp and update SENSITIVITY at line 28.
# Modify KittAiSnowboyWakeWordEngine.cpp and set APPLY_FRONTEND to false at
# line 30.
make
kitt_ai
通用模型
# Please replace YOUR_UNIVERSAL_MODEL.umdl with the personal model you just
# created, and $ALEXA_AVS_SAMPLE_APP_PATH with the actual path where you
# cloned the Alexa AVS sample app repository.
cp YOUR_UNIVERSAL_MODEL.umdl $ALEXA_AVS_SAMPLE_APP_PATH/samples/wakeWordAgent/ext/resources/alexa.umdl
SENSITIVITY, 并重新编译# Please replace $ALEXA_AVS_SAMPLE_APP_PATH with the actual path where you
# cloned the Alexa AVS sample app repository.
cd $ALEXA_AVS_SAMPLE_APP_PATH/samples/wakeWordAgent/src/
# Modify KittAiSnowboyWakeWordEngine.cpp and update SENSITIVITY at line 28.
make
kitt_ai
Snowboy现在通过 https://snowboy.kitt.ai/api/v1/train/ 端口提供 个人唤醒词训练服务, 请查看Full Documentation和示例Python/Bash script（非常欢迎贡献其他的语言)。
简单来说，POST 下面代码到https://snowboy.kitt.ai/api/v1/train：
{
"name": "a word",
"language": "en",
"age_group": "10_19",
"gender": "F",
"microphone": "mic type",
"token": "<your auth token>",
"voice_samples": [
{wave: "<base64 encoded wave data>"},
{wave: "<base64 encoded wave data>"},
{wave: "<base64 encoded wave data>"}
]
}
然后您会获得一个训练好的个人模型！
Snowboy是一款可定制的唤醒词检测引擎，可为您创建像 "OK Google" 或 "Alexa" 这样的唤醒词。Snowboy基于神经网络，具有以下特性：
高度可定制：您可以自由定义自己的唤醒词 - 比如说“open sesame”，“garage door open”或 “hello dreamhouse”等等。
总是在监听 但保护您的个人隐私：Snowboy不使用互联网，不会将您的声音传输到云端。
轻量级和嵌入式的：它可以轻松在Raspberry Pi上运行，甚至在最弱的Pi（单核700MHz ARMv6）上，Snowboy占用的CPU也少于10%。
Apache授权!
目前Snowboy支持（查看lib文件夹）：
Snowboy底层库由C++写成，通过swig被封装成能在多种操作系统和语言上使用的软件库。我们欢迎新语言的封装，请随时发送你们的Pull Request！
目前我们已经现实封装的有:
如果您想要支持其他硬件或操作系统，请将您的请求发送至snowboy@kitt.ai
注意：Snowboy还不支持Windows 。请在 *nix平台上编译Snowboy。
黑客：免费
商业：请通过snowboy@kitt.ai与我们联系
为了测试方便，我们提供一些事先训练好的通用模型。当您测试那些模型时，请记住他们可能没有为您的特定设备或环境进行过优化。
以下是模型列表和您必须使用的参数：
SetSensitivity设置为0.6，并将ApplyFrontend设置为true。当ApplyFrontend设置为true时，这是迄今为止我们公开发布的最好的“Alexa”的模型。SetSensitivity设置为0.5，ApplyFrontend设置为false。sensitivity。将SetSensitivity设置为0.8,0.8，ApplyFrontend设置为true。SetSensitivity设置为0.5，ApplyFrontend设置为false。SetSensitivity设置为0.5，ApplyFrontend设置为true。sensitivity。将SetSensitivity设置为0.7,0.7，ApplyFrontend设置为true。SetSensitivity设置为0.6，ApplyFrontend设置为true。SetSensitivity设置为0.7，ApplyFrontend设置为true。Snowboy为一下平台编译了node模块：64位Ubuntu，MacOS X和Raspberry Pi（Raspbian 8.0+）。快速安装运行：
npm install --save snowboy
有关示例用法，请参阅examples/Node文件夹。根据您使用的脚本，可能需要安装依赖关系库例如fs，wav或node-record-lpcm16。
如果您要根据自己的环境/语言编译版本，请继续阅读。
要运行demo，您可能需要以下内容，具体取决于您使用的示例和您正在使用的平台：
在下面您还可以找到在Mac OS X，Ubuntu或Raspberry Pi上安装依赖关系所需的确切命令。
brew 安装 swig，sox，portaudio 和绑定了 pyaudio的Python：
brew install swig portaudio sox
pip install pyaudio
如果您没有安装Homebrew，请在这里here下载。如果没有pip，可以在这里here安装。
确保您可以用麦克风录制音频：
rec t.wav
首先 apt-get 安装 swig，sox，portaudio和绑定了 pyaudio 的 Python：
sudo apt-get install swig3.0 python-pyaudio python3-pyaudio sox
pip install pyaudio
然后安装 atlas 矩阵计算库：
sudo apt-get install libatlas-base-dev
确保您可以用麦克风录制音频：
rec t.wav
如果您需要额外设置您的音频（特别是Raspberry Pi），请参阅full documentation。
为Linux和Raspberry Pi编译node插件需要安装以下依赖项:
sudo apt-get install libmagic-dev libatlas-base-dev
然后编译插件，从snowboy代码库的根目录运行以下内容：
npm install
./node_modules/node-pre-gyp/bin/node-pre-gyp clean configure build
# Make sure you have JDK installed.
cd swig/Java
make
SWIG将生成一个包含转换成Java封装的java目录和一个包含JNI库的jniLibs目录。
运行Java示例脚本：
cd examples/Java
make run
cd swig/Python
make
SWIG将生成一个_snowboydetect.so文件和一个简单（但难以阅读）的python 封装snowboydetect.py。我们已经提供了一个更容易读懂的python封装snowboydecoder.py。
如果不能make，请适配swig/Python中的Makefile到您自己的系统设置。
cd examples/Go
go get github.com/Kitt-AI/snowboy/swig/Go
go build -o snowboy main.go
./snowboy ../../resources/snowboy.umdl ../../resources/snowboy.wav
期望输出：
Snowboy detecting keyword in ../../resources/snowboy.wav
Snowboy detected keyword 1
更多细节，请阅读 'examples/Go/readme.md'。
cd swig/Perl
make
Perl示例包括使用KITT.AI RESTful API训练个人唤醒词，在检测到唤醒之后添加Google Speech API等。要运行示例，请执行以下操作
cd examples/Perl
# Install cpanm, if you don't already have it.
curl -L https://cpanmin.us | perl - --sudo App::cpanminus
# Install the dependencies. Note, on Linux you will have to install the
# PortAudio package first, using e.g.:
# apt-get install portaudio19-dev
sudo cpanm --installdeps .
# Run the unit test.
./snowboy_unit_test.pl
# Run the personal model training example.
./snowboy_RESTful_train.pl <API_TOKEN> <Hotword> <Language>
# Run the Snowboy Google Speech API example. By default it uses the Snowboy
# universal hotword.
./snowboy_googlevoice.pl <Google_API_Key> [Hotword_Model]
在Objective-C中使用Snowboy库不需要封装. 它与Objective-C中使用C++库基本相同. 我们为iOS设备编写了一个 "fat" 静态库，请参阅这里的库lib/ios/libsnowboy-detect.a。
在Objective-C中初始化Snowboy检测器：
snowboy::SnowboyDetect* snowboyDetector = new snowboy::SnowboyDetect(
std::string([[[NSBundle mainBundle]pathForResource:@"common" ofType:@"res"] UTF8String]),
std::string([[[NSBundle mainBundle]pathForResource:@"snowboy" ofType:@"umdl"] UTF8String]));
snowboyDetector->SetSensitivity("0.45"); // Sensitivity for each hotword
snowboyDetector->SetAudioGain(2.0); // Audio gain for detection
在Objective-C中运行唤醒词检测：
int result = snowboyDetector->RunDetection(buffer[0], bufferSize); // buffer[0] is a float array
您可能需要按照一定的频率调用RunDetection()，从而控制CPU使用率和检测延迟。
感谢@patrickjquinn和@grimlockrocks，我们现在有了在Objective-C和Swift3中使用Snowboy的例子。看看下面的例子examples/iOS/和下面的截图！
完整的README和教程在Android README，这里是一个截图：
我们准备了一个可以安装并运行的Android应用程序：SnowboyAlexaDemo.apk（如果您之前安装了此应用程序，请先卸载它们)。
进入 examples/Python 文件夹并打开你的python控制台：
In [1]: import snowboydecoder
In [2]: def detected_callback():
....: print "hotword detected"
....:
In [3]: detector = snowboydecoder.HotwordDetector("resources/snowboy.umdl", sensitivity=0.5, audio_gain=1)
In [4]: detector.start(detected_callback)
然后对你的麦克风说"snowboy"，看看是否Snowboy检测到你。
这个 snowboy.umdl 文件是一个 "通用" 模型，可以检测不同的人说 "snowboy" 。 如果你想要其他的唤醒词，请去snowboy.kitt.ai录音，训练和下载你自己的个人模型(一个.pmdl文件)。
当 sensitiviy 设置越高，唤醒越容易触发。但是你也可能会收到更多的误唤醒。
audio_gain 控制是否增加（> 1）或降低（<1）输入音量。
我们提供了两个演示文件 demo.py, demo2.py 以显示更多的用法。
注意：如果您看到以下错误：
TypeError: __init__() got an unexpected keyword argument 'model_str'
您可能正在使用旧版本的SWIG. 请升级SWIG。我们已经测试过SWIG 3.0.7和3.0.8。
v1.3.0, 2/19/2018
resources/models/smart_mirror.umdl 给 https://snowboy.kitt.ai/hotword/47
resources/models/jarvis.umdl 给 https://snowboy.kitt.ai/hotword/29
v1.2.0, 3/25/2017
v1.1.1, 3/24/2017
v1.1.0, 9/20/2016
v1.0.4, 7/13/2016
v1.0.3, 6/4/2016
v1.0.2, 5/24/2016
v1.0.1, 5/16/2016
v1.0.0, 5/10/2016
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。