声学 AI 从 Python 训练到 MCU 推理，精度为什么下降、怎么对齐

问题从哪来

声学 AI 的部署链路是：Python（librosa / NumPy）离线训练 → 导出模型 → 嵌入式 C / 定点在 MCU 上推理。两端在以下环节容易不一致：

• 幅度 / 功率处理：是否归一化、功率还是幅度谱；
• 对数底数与 Mel 尺度：log 底、Mel 滤波器组的数值差异；
• 窗函数与填充（center / pad）：FFT 窗、补零方式；
• 数据类型：浮点训练 vs 定点推理的量化误差。

任一处不一致，都会让同一声音在两端提取出不同特征，模型在产线上“听不懂”训练时的声音，准确率骤降。

ISSAUTO 的对齐做法

• 统一 88 维声学特征定义（MFCC 频谱 + 包络调制 + 时域统计量），训练与推理共用同一套提取逻辑；
• 对窗函数、填充、对数底数、Mel 尺度做逐项行级对齐；
• 推理端以定点 / C 实现，并对量化误差做校准，使跨平台特征对齐误差 <0.05%；
• 边缘 NPU 上实现 ≤10ms 级实时推理，数据不出车间（私有化部署，符合工厂数据安全要求）。

• 产线固定式声学工位：模型在边缘设备本地推理，毫秒级判定 OK/NG，无需回传云端；
• 数据敏感行业（军工 / 汽车 / 医疗供应链）：全链路私有化，满足数据不出车间合规；
• 模型迭代：训练端更新特征标准后，推理端按同一口径同步，避免“训练准、上线歪”。

Q1：为什么模型在电脑上 99% 上线就掉到 50%？
A1：多半是训练端（Python）与推理端（MCU）的特征提取不一致——窗函数、填充、对数底数、定点量化任一处不同都会让同一声音得到不同特征。需逐项对齐特征口径。

Q2：对齐误差 <0.05% 是怎么做到的？
A2：训练与推理共用同一套 88 维特征定义，对窗、填充、Mel 尺度逐项行级对齐，并对定点量化做校准，把两端特征误差压到 <0.05%。

Q3：边缘推理要不要联网？
A3：不需要。模型在边缘 NPU 本地推理，数据不出车间，符合工厂数据安全要求。