2. 唤醒词技术基础

做嵌入式AI部署，最怕什么？

不是模型精度不够，也不是算法太复杂。最怕的是环境没搭好，折腾两天连个Hello World都跑不起来。我见过太多新手卡在这一步，信心直接被磨没了。

所以这一章，咱们把话说清楚。Python环境怎么配，推理引擎怎么装，交叉编译链怎么选，开发板怎么连。每一步我都会告诉你——哪些坑我踩过，哪些坑你完全可以绕过去。

2.1 Python环境配置

Python版本怎么选？我个人习惯用Python 3.8。为什么？因为TensorFlow Lite和ONNX Runtime对3.8的支持最稳定。3.9以上也能用，但有些老版本的算子库可能不兼容。你想想看，为了追新版本多花两天排查问题，不值当。

我建议用虚拟环境。别图省事直接装系统级Python包，后面项目多了会乱成一锅粥。

# 安装Python 3.8（Ubuntu 20.04自带）
sudo apt update
sudo apt install python3.8 python3.8-venv python3.8-dev

# 创建项目虚拟环境
python3.8 -m venv wakeup_env

# 激活环境
source wakeup_env/bin/activate

# 升级pip
pip install --upgrade pip

# 验证
python --version   # 确保输出 Python 3.8.x

嗯，这里要注意。如果你用的是Windows，venv激活命令是 wakeup_env\Scripts\activate。但说实话，做嵌入式AI开发，我强烈建议你用Linux。不是Windows不好，是很多交叉编译工具链在Linux下才有一等支持。

2.2 TensorFlow Lite 安装

TensorFlow Lite有两种安装方式。一种是装完整的TensorFlow，然后取TFLite模块。另一种是只装TFLite解释器，轻量很多。做部署验证，我推荐后者。

# 方式一：安装完整TensorFlow（不推荐，包太大）
pip install tensorflow==2.10.0

# 方式二：仅安装TFLite Runtime（推荐）
pip install tflite-runtime==2.10.0

为什么推荐tflite-runtime？我在项目里吃过亏。完整TensorFlow依赖一大堆库，在ARM开发板上根本装不上。而tflite-runtime只有几百KB，交叉编译也方便。

验证安装是否成功：

python -c "import tflite_runtime.interpreter as tflite; print('TFLite version:', tflite.__version__)"

2.3 ONNX Runtime 安装

ONNX Runtime的优势是什么？跨框架。你从PyTorch导出的模型，转成ONNX格式，用ORT跑，不需要装PyTorch。这在资源受限的嵌入式设备上太香了。

# 安装ONNX Runtime（CPU版本）
pip install onnxruntime==1.14.0

# 如果需要GPU加速（x86开发机上用）
pip install onnxruntime-gpu==1.14.0

验证：

python -c "import onnxruntime as ort; print('ORT version:', ort.__version__)"

2.4 交叉编译工具链：ARM GCC

交叉编译是什么？说白了，就是在你的x86电脑上编译出能在ARM芯片上跑的程序。你想想看，开发板那点算力，编译个Linux内核得等到天荒地老。所以我们在PC上编译好，再把二进制文件丢到板子上跑。

ARM GCC有两个主流版本：

工具链	适用目标	安装方式
gcc-arm-none-eabi	Cortex-M系列（裸机/RTOS）	apt install gcc-arm-none-eabi
gcc-arm-linux-gnueabihf	Cortex-A系列（Linux系统）	apt install gcc-arm-linux-gnueabihf

我们的唤醒词模型，如果部署在Cortex-M4/M7这类MCU上，用前者。如果部署在树莓派这类Linux板子上，用后者。

# 安装Cortex-M系列工具链
sudo apt install gcc-arm-none-eabi

# 验证
arm-none-eabi-gcc --version

# 安装Cortex-A系列工具链
sudo apt install gcc-arm-linux-gnueabihf

# 验证
arm-linux-gnueabihf-gcc --version

2.5 模拟器与开发板准备

没有开发板怎么办？用QEMU模拟。QEMU可以模拟ARM Cortex-M3/M4、Cortex-A系列，甚至完整的树莓派。我在早期原型验证阶段，全靠QEMU撑场子。

# 安装QEMU
sudo apt install qemu-system-arm

# 验证
qemu-system-arm --version

# 测试：模拟一个STM32F4开发板
qemu-system-arm -M stm32f4-discovery -kernel your_firmware.bin

但模拟器终究是模拟器。有些外设行为、中断延迟、功耗特性，模拟器模拟不了。所以最终一定要上真机。

开发板怎么选？我列个清单：

开发板	核心	适用场景	参考价格
STM32F4 Discovery	Cortex-M4	MCU端唤醒词推理	¥100-200
树莓派4B	Cortex-A72	Linux端唤醒词服务	¥300-500
ESP32-S3	Xtensa LX7	低功耗唤醒词	¥50-100

我个人建议：预算够的话，STM32F4 + 树莓派各一块。一个练MCU部署，一个练Linux部署。唤醒词模型在两种平台上都有用武之地。

2.6 环境验证：跑一个Hello World

环境搭没搭好，跑个例子就知道了。我们写一个最简单的TFLite推理程序：

# test_tflite.py
import numpy as np
import tflite_runtime.interpreter as tflite

# 创建一个简单的模型（1x4输入，全连接层）
# 这里用随机权重演示
interpreter = tflite.Interpreter(model_path="test_model.tflite")
interpreter.allocate_tensors()

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 构造输入
input_data = np.array([[1.0, 2.0, 3.0, 4.0]], dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)

# 推理
interpreter.invoke()

# 获取输出
output_data = interpreter.get_tensor(output_details[0]['index'])
print("Inference result:", output_data)

如果这个程序能跑通，恭喜你，环境搭建成功了。如果报错，别慌。99%的问题出在：

• Python版本不对（检查是不是3.8）
• tflite-runtime版本和模型不匹配（检查版本号）
• 模型路径不对（用绝对路径试试）