Dieses Papier stellt ein konvolutionsrekurrentes Netzwerk mit Aufmerksamkeitsmechanismus für die Erkennung von Sprachbefehlen vor. Aufmerksamkeitsmodelle sind leistungsstarke Werkzeuge, um die Leistung bei natürlichsprachlichen, Bildunterschriftenerstellung und Sprachaufgaben zu verbessern. Das vorgeschlagene Modell erreicht eine neue Standarte der Genauigkeit von 94,1 % im Google Speech Commands Datensatz V1 und 94,5 % im V2-Datensatz (für die 20-Befehle-Erkennungsaufgabe), wobei es trotzdem nur eine geringe Anzahl von 202.000 trainierbaren Parametern aufweist. Die Ergebnisse werden mit früheren konvolutionellen Implementierungen in fünf verschiedenen Aufgaben verglichen (20-Befehle-Erkennung (V1 und V2), 12-Befehle-Erkennung (V1), 35-Wörter-Erkennung (V1) und Links-Rechts-Aufgabe (V1)). Wir präsentieren detaillierte Leistungsergebnisse und zeigen, dass der vorgeschlagene Aufmerksamkeitsmechanismus nicht nur die Leistung verbessert, sondern auch ermöglicht, welche Bereiche des Audios vom Netzwerk berücksichtigt wurden, wenn eine bestimmte Kategorie ausgegeben wurde.