设备导向语音检测（DDSD）是一项二元分类任务，旨在区分用户对语音助手的查询与背景对话。本文提出了一种新型知识蒸馏方法，通过从大型预训练声学编码器中转移知识，显著提升DDSD的准确性。实验结果显示，该方法在关键词和无关键词调用中，分别提高了26%和19%的错误率，并在不同模型架构中展现出良好的泛化能力。

本文讨论了在NeurIPS 2024自适应基础模型研讨会上提出的设备导向语音检测（DDSD）方法。该方法通过建模首次查询，结合大型语言模型（LLMs）和自动语音识别（ASR）不确定性，提升了后续对话的自然交互体验。研究表明，该方法在真实数据集上显著降低了误报率。