2. 语音识别基础
在开始Arduino语音识别实战之前，必须先建立对语音信号本身的物理与数字层面的理解。语音识别不是“听”文字，而是将声波转换为数字信号，再通过算法匹配出最可能的文本或指令。本章将围绕语音信号的物理特性、数字化参数（采样率与位深）、麦克风的工作机制，以及关键词识别与连续语音识别的本质差异展开。这些知识直接决定了你在Arduino项目中如何选择麦克风模块、如何配置采样参数，以及为什么某些方案只能识别固定指令而无法自由对话。
2.1 语音信号的物理特性与数字化基础
语音本质上是一种机械纵波，通过空气介质传播。人说话的基频（F0）通常在85Hz到255Hz之间，但语音的频谱能量主要集中在300Hz到3400Hz范围内，这也是传统电话系统采用8kHz采样率的原因。语音信号包含丰富的谐波成分，辅音（如“s”、“t”）往往包含高频能量，而元音（如“a”、“o”）则集中在低频段。在Arduino项目中，我们通常只关心语音的幅度包络和短时能量变化，因为关键词识别（如“开灯”、“关灯”）主要依赖语音的时域特征和简单的频域特征。
将模拟语音信号转换为数字信号需要两个关键参数：采样率（Sample Rate）和位深（Bit Depth）。采样率决定了每秒采集多少个离散点，根据奈奎斯特定理，采样率必须至少为信号最高频率的两倍才能无失真重建。对于人声识别，8kHz采样率可以覆盖4kHz以下的频率，足以分辨语音中的元音和大部分辅音；16kHz采样率则能覆盖8kHz，保留更多高频细节，适合更精确的语音特征提取。Arduino Uno的ADC采样率默认约10kHz（逐次逼近型），而ESP32的ADC可以配置到更高采样率，但实际应用中受限于内存和CPU，通常选择8kHz或16kHz。
位深决定了每个采样点的幅度量化精度。Arduino Uno的ADC是10位分辨率，即1024个量化等级；ESP32的ADC也是12位（4096级）。位深越高，动态范围越大，对微弱声音的捕捉能力越强，但数据量也成倍增加。例如，8kHz采样率、8位位深每秒产生8KB数据，而16kHz采样率、16位位深每秒产生64KB数据。对于Arduino这类资源受限的MCU，通常采用8位或10位量化，配合适当的增益控制来保证语音信号不过载、不淹没在噪声中。
2.2 麦克风工作原理与Arduino接口
麦克风是将声波转换为电信号的换能器。常见类型包括驻极体电容麦克风（ECM）、MEMS麦克风和压电麦克风。Arduino项目中绝大多数使用ECM或MEMS麦克风模块，因为它们体积小、成本低、灵敏度足够。ECM内部有一个驻极体振膜和一个FET放大器，当声波压迫振膜时，电容变化引起电流变化，从而输出与声压成正比的电压信号。MEMS麦克风则利用微机械结构，通常集成在小型PCB上，输出数字I2S信号或模拟信号。
在Arduino中连接麦克风有两种典型方式：模拟输出和数字I2S输出。模拟输出麦克风模块（如MAX9814、MAX4466）将声音信号放大后直接输出模拟电压，连接到Arduino的A0引脚，由内部ADC采样。这种方式简单直接，但受限于ADC的采样率和分辨率。数字I2S麦克风（如INMP441、ICS-43434）输出PCM数字信号，需要MCU支持I2S接口（如ESP32），采样率和位深更高，适合更复杂的语音处理。
| 麦克风类型 | 输出信号 | Arduino接口 | 采样率上限 | 适用场景 |
|---|---|---|---|---|
| MAX4466 (ECM) | 模拟电压 | A0 (ADC) | ~10kHz (Uno) | 简单关键词识别 |
| MAX9814 (AGC) | 模拟电压 | A0 (ADC) | ~10kHz (Uno) | 远场拾音，自动增益 |
| INMP441 (MEMS) | I2S数字 | I2S (ESP32) | 16-44.1kHz | 高质量语音处理 |
| ICS-43434 (MEMS) | I2S数字 | I2S (ESP32) | 16-48kHz | 多麦克风阵列 |
麦克风模块的选型直接影响识别效果。MAX4466模块带有可调增益（通过电位器），适合近距离（10-30cm）拾音；MAX9814内置AGC，能自动调整增益以适应不同距离，但AGC的响应时间可能影响语音起始段的检测。INMP441等I2S麦克风输出24位PCM数据，信噪比更高，但需要MCU具备I2S外设，且代码复杂度增加。在Arduino Uno上，由于没有I2S接口，只能使用模拟麦克风；ESP32则两者皆可。
2.3 关键词识别与连续语音识别的本质区别
关键词识别（Keyword Spotting, KWS）和连续语音识别（Continuous Speech Recognition, CSR）是两种不同复杂度的语音识别任务。关键词识别的目标是检测预定义的有限词表（如“开灯”、“关灯”、“温度”），通常词表大小在10-50个词以内。它不需要理解语法和上下文，只需判断语音片段是否匹配某个模板或模型。连续语音识别则需要将任意长度的语音转换为文本，涉及大词表（数万词）、语言模型、语法解析等，计算量巨大。
在Arduino平台上，关键词识别是唯一可行的方案。原因有三：计算资源——Arduino的CPU主频仅16MHz（Uno）到240MHz（ESP32），内存从2KB到520KB，无法运行大型神经网络或隐马尔可夫模型；存储空间——连续语音识别需要数百MB的声学模型和语言模型，而Arduino的Flash通常只有32KB到16MB；实时性——连续语音识别需要处理整句话的上下文，延迟通常在数百毫秒到数秒，而关键词识别只需在语音结束后立即给出结果，延迟可控制在100ms以内。
关键词识别的实现方法也有多种：基于模板匹配的DTW（动态时间规整）、基于机器学习的小型神经网络（如TinyML）、以及基于特征匹配的简单算法。在Arduino Uno上，DTW是最常用的方法，因为它不需要训练过程，只需存储每个关键词的参考模板。ESP32则可以运行更复杂的神经网络模型，如TensorFlow Lite Micro，实现更鲁棒的关键词识别。
2.4 语音信号处理链路与Arduino实现约束
一个完整的语音识别链路包括：声音采集 → 预加重 → 分帧 → 加窗 → 特征提取 → 模式匹配 → 输出决策。在Arduino上，每一步都需要精心设计以适应资源限制。预加重用于提升高频分量，通常用一阶高通滤波器实现；分帧将连续的语音流切分为20-30ms的短帧，帧移10ms；加窗（如汉明窗）减少频谱泄漏；特征提取常用MFCC（梅尔频率倒谱系数）或简单的过零率+能量特征。
以Arduino Uno为例，8kHz采样率下，每帧20ms包含160个采样点。如果提取13维MFCC特征，每帧需要约160次乘加运算，加上FFT计算，总计算量在几千次操作量级，Uno可以在几毫秒内完成。但存储方面，每个关键词模板如果包含50帧特征，每帧13维浮点数，则每个模板需要约2.6KB存储，10个关键词需要26KB，已经接近Uno的32KB Flash上限。因此，实际项目中通常将特征量化为8位整数，或减少帧数和维度。
// Arduino Uno 语音采集示例（8kHz采样率）
const int micPin = A0;
const int sampleRate = 8000;
const int frameSize = 160; // 20ms @ 8kHz
uint8_t buffer[frameSize];
void setup() {
Serial.begin(115200);
// 配置ADC为8位精度以节省存储
analogReadResolution(8);
}
void loop() {
// 采集一帧语音数据
for (int i = 0; i < frameSize; i++) {
buffer[i] = analogRead(micPin);
delayMicroseconds(125); // 8kHz采样间隔
}
// 此处进行特征提取和识别
processFrame(buffer, frameSize);
}在ESP32上，资源相对宽裕，可以使用I2S接口以16kHz采样率采集16位PCM数据，并运行TinyML模型。但即便如此，模型大小通常限制在100KB以内，参数量不超过几万。实际部署时，需要将模型量化为8位整数，并利用ESP32的向量指令加速推理。
2.5 案例拆解：从麦克风到关键词输出的最小系统
下面通过一个具体案例来串联本章所有概念。假设我们要在Arduino Uno上实现“开灯”和“关灯”两个关键词的识别，控制LED的亮灭。
硬件配置：Arduino Uno + MAX9814麦克风模块（AGC开启，增益适中）+ 一个LED（接D13）。麦克风输出接A0，VCC接5V，GND接GND。
初始现象与目标：直接使用ADC读取麦克风数据时，发现环境噪声导致误触发，且说话距离变化时音量差异大。目标是在1米范围内，对“开灯”和“关灯”的识别准确率达到90%以上，响应时间小于500ms。
关键参数设置：采样率8kHz，位深10位（Uno默认），帧长20ms（160样本），帧移10ms。特征提取采用过零率（ZCR）+ 短时能量（STE）的二维特征，因为这两个特征计算量小且能有效区分“开灯”（kāi dēng）和“关灯”（guān dēng）的语音模式。
分析判断过程：首先采集了10次“开灯”和10次“关灯”的语音样本，计算每帧的ZCR和STE。发现“开灯”的起始辅音“k”具有较高的ZCR（约0.3-0.5），而“关灯”的起始辅音“g”ZCR较低（约0.1-0.2）。同时，“开灯”的整体能量略高于“关灯”。基于此，设计了一个简单的决策树：先检测语音起始（STE超过阈值），然后计算前5帧的平均ZCR，若ZCR>0.25则判定为“开灯”，否则为“关灯”。
实际操作步骤：
- 采集环境噪声基线，设定STE阈值为基线+20%的余量。
- 连续采集语音帧，当连续3帧STE超过阈值时判定语音开始。
- 记录语音开始后前5帧的ZCR平均值。
- 语音结束后（STE低于阈值持续5帧），根据ZCR平均值输出识别结果。
- 控制LED状态：识别“开灯”则点亮，识别“关灯”则熄灭。
结果对比：在安静环境下，识别准确率达到95%；在40dB环境噪声下，准确率降至80%。通过调整AGC增益和增加中值滤波后，噪声环境下准确率提升至88%。
风险与代价：该方案对说话人的口音和语速敏感，不同人发“k”和“g”的ZCR差异可能重叠。此外，AGC的自动调整可能导致语音起始段的能量波动，影响STE阈值判断。为缓解这些问题，可以增加模板匹配（DTW）作为备选方案，但会增加存储和计算开销。
复盘经验：在资源受限的平台上，简单的时域特征（ZCR+STE）往往比复杂的频域特征更实用。关键在于选择区分度高的特征组合，并针对实际环境进行阈值校准。同时，AGC的配置需要反复调试，找到增益响应时间和语音起始检测之间的平衡点。