diff --git "a/\350\257\264\346\230\216.md" "b/\350\257\264\346\230\216.md"
new file mode 100644
index 0000000..a861855
--- /dev/null
+++ "b/\350\257\264\346\230\216.md"
@@ -0,0 +1,24 @@
+# honk离线唤醒引擎在dingdang中的使用
+## 1. 训练模型
+### 1.1 数据格式
+ 训练数据格式应与Google数据指令集相同,即将文件夹以要识别的关键词命名，在文件夹内，每一个音频文件命名格式为“8位hash+\_nohash_.wav”
+### 1.2 训练方法
+ 设置训练数据路径，需要修改的文件为honk-master/utils/model.py，将该文件中default_config中data_folder修改为自己的文件夹。
+ 设置目标词，需要修改的文件为honk-master/utils/model.py,将该文件中default_config中wanted_words修改为自己要识别的关键词，格式为["关键词1"，"关键词2"].
+ 设置目标模型类型，加入参数--model 目标模型类型，可选的模型类型可以在utils/model.py文件中的ConfigType中查看。
+ 输出文件默认放置在honk-master/model文件夹下，命名为model.pt,若要自定义输出路径，则修改utils/train.py文件下main函数中output_file项
+ 训练CNN可以使用如下命令（使用默认的类型）
+`python -m utils.train --type [train|eval]`
+ 训练RES模型推荐使用如下命令
+`python -m utils.train --wanted_words yes no up down left right on off stop go --dev_every 1 --n_labels 12 --n_epochs 26 --weight_decay 0.00001 --lr 0.1 0.01 0.001 --schedule 3000 6000 --model res{8,15,26}[-narrow]`
+若要使用CUDA，请将utils/train.py下global_config中的no_cuda字段设置为False，并设置gpu_no为想要运行的gpu序号
+## 2.使用模型
+### 2.1设置config文件
+ 设置输入模型路径，修改model_path字段
+ 设置关键词，修改commands字段，要与训练模型时的关键词相同
+ 若使用的模型是pt后缀，则设置backend为pytorch，若使用的是onnx模型，则设置backend为caffe2
+## 3.服务端运行
+ 在honk-master文件夹下使用命令`python3 .`，运行服务器端程序，默认端口为16888
+若没有报错则服务器端正常运行
+## 4.客户端运行
+ 由于honk引擎是植入在dingdang中的，要使用honk作为唤醒引擎时，需要设置.dingdang/profile文件下的stt_passive_engine为honk，再修改honk字段下的endpoint为运行服务端的机器ip地址