硬件选型与搭建：主控芯片对比、麦克风阵列与手势传感器选型

好，咱们进入第二章。这一章我打算聊聊硬件的选型与搭建。说实话，很多做智能家居的朋友，软件写得飞起，一到硬件选型就懵了。我早期也踩过不少坑，比如选了个性能过剩的芯片，结果功耗压不住；或者麦克风阵列买回来，发现驱动搞不定。

这一章，我会把主控芯片、麦克风阵列、手势传感器这三块掰开揉碎了讲。你跟着我的思路走，基本不会跑偏。

2.1 主控芯片对比：ESP32 vs Raspberry Pi

主控芯片是整个系统的“大脑”。选错了，后面全白搭。我个人习惯把方案分成两类：轻量级和重量级。

2.1.1 ESP32：轻量级首选

ESP32 是我用得最多的芯片。为什么？便宜、功耗低、自带 Wi-Fi 和蓝牙。你想想看，一个智能家居设备，如果还要外挂一个 Wi-Fi 模块，那体积和成本都上去了。ESP32 一颗搞定。

我在项目中遇到过一个问题：用 ESP32 做语音唤醒，结果发现它的 RAM 只有 520KB。跑个 FreeRTOS 再加个轻量级的语音识别库，内存就快见底了。后来我换了个思路，把语音特征提取放在 ESP32 上，识别部分扔到云端，这才跑通。

ESP32 的典型参数：

参数 ESP32
CPU 双核 Xtensa LX6，240MHz
RAM 520KB SRAM
Flash 4MB ~ 16MB
无线 Wi-Fi 802.11 b/g/n + BLE 4.2
功耗 活跃模式约 80mA，深度睡眠 5μA
价格 约 15 ~ 30 元

适合场景：

  • 简单的语音命令（开灯、关窗帘）
  • 手势控制（配合 ToF 传感器）
  • 电池供电的设备
注意：ESP32 的 ADC 精度一般，如果你需要采集高精度的模拟信号（比如高保真音频），建议外挂一个 ADC 芯片。我曾经因为直接用 ESP32 的 ADC 采集麦克风信号，结果底噪大得离谱，后来换了 I2S 接口的麦克风才解决。

2.1.2 Raspberry Pi：重量级选手

Raspberry Pi 就不一样了。它本质上是一台微型电脑。跑 Linux，有完整的文件系统，可以装 Python、TensorFlow Lite。如果你要做复杂的语音识别（比如离线 NLP）或者手势识别（比如用摄像头做 3D 手势），那 Pi 是更好的选择。

我记得有一次做一个智能中控屏的项目，需要同时处理语音、手势、还有 UI 渲染。ESP32 显然扛不住。我上了 Raspberry Pi 4，4GB 内存，跑个 Node.js 后端加一个轻量级的 Web 界面，稳得很。

Raspberry Pi 4 的典型参数：

参数 Raspberry Pi 4
CPU 四核 Cortex-A72，1.5GHz
RAM 1GB / 2GB / 4GB / 8GB LPDDR4
存储 MicroSD 卡 / USB 硬盘
无线 Wi-Fi 802.11ac + BLE 5.0
功耗 约 3W ~ 7W
价格 约 200 ~ 500 元

适合场景：

  • 复杂的语音交互（多轮对话）
  • 摄像头手势识别（MediaPipe）
  • 需要图形界面的中控设备
我的建议：如果你只是做单个传感器控制，比如一个手势开关灯，用 ESP32 就够了。但如果你要做“融合”——比如语音说“打开客厅灯”同时用手势指定亮度——那 Raspberry Pi 更合适。说白了，看你的算法复杂度。

2.2 麦克风阵列选型

语音控制的核心是麦克风。单麦克风也能用，但效果嘛……你想想看，家里开着电视，你喊一声“小爱同学”，它可能根本听不见。麦克风阵列就是为了解决这个问题的。

2.2.1 为什么需要阵列？

单个麦克风只能采集声音的幅度，无法判断方向。阵列通过多个麦克风之间的时间差，可以计算出声音的来源方向。这就是波束成形技术。

我早期做过一个项目，用单麦克风做语音唤醒，结果用户必须站在设备正前方才能识别。后来换了 4 麦阵列，哪怕人在厨房，客厅的设备也能准确捕捉到指令。

2.2.2 常见麦克风阵列方案

类型 麦克风数量 特点 推荐型号
线性阵列 2 ~ 4 只能判断左右方向，适合电视、音箱 ReSpeaker 2-Mic
环形阵列 4 ~ 8 360° 拾音，适合中控设备 ReSpeaker 4-Mic / 6-Mic
球形阵列 8 以上 3D 空间定位，适合专业会议 Amazon AVS 参考设计

我个人推荐：对于智能家居场景，4 麦环形阵列是最平衡的选择。价格适中（约 100 ~ 200 元），驱动成熟，支持波束成形和回声消除。

关键参数：
  • 信噪比（SNR）：最好大于 60dB。低于这个值，远场语音识别会很吃力。
  • 采样率：至少 16kHz。语音识别的基本要求。
  • 接口：I2S 是主流，部分阵列也支持 PDM。ESP32 和 Raspberry Pi 都支持 I2S。

2.3 红外 / ToF 手势传感器选型

手势控制是语音的绝佳补充。比如你在厨房炒菜，手上全是油，喊语音助手可能不太方便，这时候挥挥手就能控制灯光或油烟机，体验感直接拉满。

2.3.1 红外手势传感器

红外传感器原理很简单：发射红外光，检测反射回来的光强变化。常见的有 APDS-9960 和 PAJ7620。

  • APDS-9960：可以检测上下左右四个方向，还能检测接近和颜色。我最早用这个做手势翻页，效果还行，但距离只有 10cm 左右。
  • PAJ7620：支持 9 种手势（上、下、左、右、前、后、顺时针、逆时针、挥手）。距离可以到 20cm。我建议新手从 PAJ7620 开始，库很成熟，Arduino 和 ESP32 都有现成的。
避坑指南：红外传感器对光线敏感。我曾经在阳光直射的窗边测试 PAJ7620，结果误触发率高达 30%。后来我加了遮光罩，并且只在光线稳定的室内使用。如果你要做户外场景，建议用 ToF。

2.3.2 ToF 手势传感器

ToF（Time of Flight）传感器通过测量光飞行时间来计算距离。精度高，抗干扰能力强。代表型号是 VL53L1X。

VL53L1X 可以测量 4 米以内的距离，精度达到毫米级。你可以用它做“滑动”手势——比如手从 10cm 移动到 30cm，传感器能精确捕捉到位置变化。

我记得有一次做智能灯控，用户希望用手势控制灯的亮度：手靠近灯变亮，手远离灯变暗。用 VL53L1X 实现这个功能，代码不超过 50 行。

VL53L1X 的典型参数：

参数 VL53L1X
测距范围 4cm ~ 400cm
精度 ±1mm（近距离）
接口 I2C
功耗 活跃模式 20mA，待机 5μA
价格 约 30 ~ 50 元
选型建议：
  • 简单手势（左右挥动）：用 PAJ7620，便宜且库丰富。
  • 连续距离控制（调光、调音量）：用 VL53L1X，精度高。
  • 复杂 3D 手势（画圈、抓取）：建议上摄像头方案（如 MediaPipe + Raspberry Pi）。

2.4 搭建实战：一个最小系统

说了这么多，咱们来搭一个最小系统。我选的是 ESP32 + ReSpeaker 4-Mic 阵列 + PAJ7620 手势传感器。这套组合成本不到 150 元，但已经可以实现“语音唤醒 + 手势控制”的融合。

接线示意：

ESP32          ReSpeaker 4-Mic
3.3V   ----->  VCC
GND    ----->  GND
GPIO32 ----->  WS (I2S 帧时钟)
GPIO33 ----->  BCK (I2S 位时钟)
GPIO25 ----->  DIN (I2S 数据)

ESP32          PAJ7620
3.3V   ----->  VCC
GND    ----->  GND
GPIO21 ----->  SDA (I2C 数据)
GPIO22 ----->  SCL (I2C 时钟)

嗯，这里要注意：ReSpeaker 4-Mic 的 I2S 引脚是固定的，不同版本可能不一样。我建议你买之前先查一下官方文档，或者直接买带 ESP32 的集成板（比如 XIAO ESP32S3 Sense），省去接线的麻烦。

好了，硬件选型与搭建就聊到这里。下一章我会讲语音识别的具体实现，包括如何用 ESP32 做离线唤醒词检测。到时候咱们再细聊。

← 上一章 📖 返回目录 下一章 →