Keyword Spotting (KWS) ist ein bedeutender Zweig der Automatischen Spracherkennung (ASR) und wird weithin in Edge-Computing-Geräten eingesetzt. Ziel von KWS ist es, eine hohe Genauigkeit bei einem niedrigen Falschalarm-Rate (False Alarm Rate, FAR) zu erreichen, gleichzeitig aber die Kosten hinsichtlich Speicher, Berechnungsaufwand und Latenz zu minimieren. Aufgrund der begrenzten Ressourcen in Edge-Computing-Geräten stellen jedoch erhebliche Herausforderungen für KWS-Anwendungen dar. Leichte Modelle und Architekturen für tiefes Lernen haben bereits gute Ergebnisse in der KWS-Branche erzielt, wobei eine effiziente Leistung gewährleistet wird. In diesem Artikel präsentieren wir eine neue Architektur für ein Faltungs-Rekurrentes Neuronales Netzwerk (Convolutional Recurrent Neural Network, CRNN), namens EdgeCRNN, speziell für Edge-Computing-Geräte entwickelt. EdgeCRNN basiert auf tiefenweise separierbaren Faltungen und einer Residual-Struktur und integriert eine Merkmalsverstärkungsmethode. Auf dem Google Speech Commands Datensatz zeigen die experimentellen Ergebnisse, dass EdgeCRNN auf einem Raspberry Pi 3B+ eine Verarbeitungsgeschwindigkeit von 11,1 Audiodaten pro Sekunde erreicht – das entspricht einer 2,2-fachen Leistung im Vergleich zu Tpool2. Im Vergleich zu Tpool2 erreicht EdgeCRNN eine Genauigkeit von 98,05 %, wobei die Leistung insgesamt ebenfalls konkurrenzfähig ist.