卫朋：AI 硬件产品怎么做？——小智AI原理解析
目录
简介
硬件连接
与服务端交互
AI 理解语音后控制硬件
作者简介
简介
小智 AI 现在已经成为了一款强大的智能平台，能够实现对多种外设的智能控制。
当然如果有基础的开发能力，也可以自行搭建服务端。
下面这张图展示的是小智AI控制硬件的一个完整过程：
下面简单解释一下：
硬件连接
以常见的 ESP32 - S3 开发板为例：
1、电源连接
-
此外 5V 还直接给功放和 RGB 灯供电。
-
5V 电压通过 LDO 线性稳压实现 3.3V 输出，3.3V 电源分别给主控 ESP32、SD 卡、数字麦克风和屏幕供电；
-
通过 Type - C 接口输入 5V 电压，实现锂电池充电和 USB 电源自动切换；
2、音频输入输出连接
-
音频输出可使用 es8311 等芯片连接喇叭。
-
也有开发板连接多个麦克风如 es7210 连接 3 个 MIC，MIC1 和 MIC2 接收人说话的声音，MIC3 连接 es8311 的输出用于回声消除。
-
音频输入可使用如 INMP441 数字麦克风（I2S 接口）；
3、其他外设连接
-
以及 OLED/LCD 显示屏（如 SPI 接口的 240x320 TFT_ST7789 LCD）用于显示交互内容。
-
还可连接 BLE 蓝牙透传模块用于小程序通信；
-
连接 SG90 舵机实现角度控制；
-
如连接 WS2812 彩灯作为氛围灯；
与服务端交互
1、通信协议
支持 WebSocket 或 MQTT + UDP 两种方式。
2、交互过程
硬件端将音频采集后进行重采样、Opus 编码等处理，
然后通过选定的通信协议将数据发送到服务器。
服务器端接收到数据后进行相应处理，如语音活动监测、语音转文本等，处理完再将结果返回给硬件端。
服务端调用 AI
1、服务端组件
-
main - server（主服务，负责协调语音识别、大模型、语音合成等各种服务，并对接后端数据库）。
-
tts - server（提供音色管理、音色克隆、语音合成等服务，对接本地部署的语音模型）；
-
asr - server（提供语音活动监测、语音转文本、说话人识别等服务）；
2、调用过程
-
最后将语音数据返回给硬件端进行播放。
-
得到回复文本后，再调用tts - server将文本合成为语音，
-
然后将文本信息发送给所集成的大语言模型（如 Qwen2.5、DeepSeek、豆包 API 等）进行理解和处理，
-
main - server在接收到硬件端发送的语音数据后，会调用asr - server将语音转为文本，
AI 理解语音后控制硬件
1、设备驱动与注册
开发者需完成硬件设备的底层驱动编写，然后通过调用相关函数将设备的属性和可执行指令注册到小智 AI 系统中。
例如，
对于舵机，通过AddNumberProperty注册当前角度值属性，通过AddMethod注册设置角度的方法；
对于氛围灯，注册当前颜色属性和设置颜色的方法。
2、控制过程
当 AI 理解语音指令后，若指令是控制硬件设备的，
如 “把灯变成红色”“将舵机角度设为 90 度”，
就会根据注册的方法找到对应的设备和指令，
然后发送相应的控制信号到硬件设备，
硬件设备根据接收到的信号执行相应动作，
如舵机转动到指定角度，氛围灯显示指定颜色。
作者简介
卫朋，《硬件产品经理》作者，人人都是产品经理受邀专栏作家，CSDN认证博客专家、嵌入式领域优质创作者，阿里云开发者社区专家博主。