手搓了一个 ESP32-S3 语音输入“神器”：按住说话，松手上屏，太爽了！

最近给自己的桌面 DIY 工具库里又添了个新成员——一个基于 ESP32-S3 的独立语音输入模块。

说实话，市面上录音笔、语音键盘这类产品不少，但总觉得差点意思：要么是蓝牙配对麻烦，要么是每次还要去软件界面点那个麦克风图标。作为一名搞开发的，我想要的是一种“无感”的体验：伸手按住说话，松手文字就自动出现在光标位置，就像是用了一个实体的语音输入法快捷键。

于是，就有了这个小东西。它不只是一个会发声的板子，更是一个把音频采集、网络传输、PC 端识别融合在一起的桌面终端。

本文制作的核心主角：基于 ESP32-S3 开发的独立语音输入模块，包含麦克风、屏幕和按键。

硬件方案：为什么选 ESP32-S3？

核心选型上，我直接用了嘉立创的 ESP32-S3 模块。选它主要看重两点：一是 WiFi 性能稳定，能保证和电脑端的通信延迟足够低；二是算力刚好够用，能跑 LVGL 屏幕驱动和音频采集，又不会太耗电。

整个硬件清单其实很简洁：

• 主控：ESP32-S3
• 交互：小屏幕 + 物理按键 + 麦克风
• 电源：锂电池 + 电源管理模块（支持电量监测）
• 外壳：3D 打印外壳，尺寸小巧，随手一抓就能用

这里有个设计重点：我把“重”活都甩给了电脑。ESP32 只负责干它最擅长的——采集音频、搞网络连接、驱动屏幕。至于耗算力的语音识别（ASR）和文本智能纠错，全部交给 PC 端处理。这样既保证了设备的低功耗，又避免了因为板子算力不足导致的识别卡顿。

灵魂搭档：PC Agent 的架构设计

设备闲置时的“看板模式”，可显示系统信息、天气或音乐频谱，充分利用小屏幕的价值。

单靠一个板子是完不成“无感输入”的，整个系统其实分两部分：

1. ESP32 固件：负责录音、按键检测、电量管理、姿态感应（横竖屏）以及 WiFi 数据传输。
2. PC Agent（电脑端软件）：这才是大脑。它驻留在后台，接收 ESP32 传来的音频流，调用本地的语音识别接口，对识别出来的文本进行标点补全、纠错，最后模拟键盘输入粘贴到当前光标位置。

PC 端软件（PC Agent）后台运行界面，负责接收音频流并进行最终的语音识别与文本输出。

数据链路是这样的： 按键触发录音 -> ESP32 采集 PCM 音频 -> TCP 协议边录边传 -> PC Agent 实时接收 -> 语音识别引擎处理 -> 文本整形 -> 模拟输入。

开发实战：那是相当的“坑”

项目做出来的效果很酷，但过程踩的坑也不少。这里重点说几个技术难点，给想复刻的大佬们避避雷。

1. 拒绝“录完再传”，必须实时流

我最开始的版本是“贪心算法”的受害者：先把整段录音存到 PSRAM 里，松手后再一口气上传给电脑。结果就是，只要句子稍微长一点，那个上传等待的时间让人抓狂。

后来我彻底重构了传输协议，改成了 TCP v2 边录边传模式。ESP32 录音的同时，电脑端已经开始收到数据包，并且可以分段丢给识别引擎。结果是显而易见的：长句子的识别延迟大幅降低，松手瞬间文字基本就已经处理得差不多了。

2. ESP32 的内存比想象中紧

PSRAM 虽然有几 MB，但真正“命门”是内部 RAM 和 DMA 内存。一旦开了 Wi-Fi、LVGL 图形界面、TCP 发送，再加上音频 DMA 采集，内存争抢非常激烈。

我的解决方案是**“任务分级”**：

• 最高优先级：音频采集和传输。
• 次优先级：按键检测。
• 最低优先级：屏幕看板刷新。

一旦检测到语音输入开始，立马暂停看板的数据接收和复杂动画刷新，把所有带宽和算力都让给音频功能，确保录音绝不丢包。

3. 屏幕看板：让设备“闲时有用武之地”

既然带了屏幕，总不能只显示个电量吧？我给它加了“桌面看板”模式。

当检测到设备插着 Type-C 供电且处于静止状态时，它会自动进入看板模式：

• 竖放：显示精简的系统状态、天气。
• 横放：变身信息屏，显示时间、天气、音乐频谱，甚至能同步显示 Roon 正在播放的歌曲和歌词。

但为了实现横竖屏的无感切换，我在 LVGL 的界面重建上吃了不少苦头。经常会遇到切换姿态时屏幕残影或者界面卡死。最后加了一个“看板健康监测”：如果显示层检测到异常，会自动触发降级退出，并进入一个短暂的冷却时间，强行重置 UI 状态，避免设备死机。

4. 越用越准的“私人定制”纠错

通用的语音识别引擎经常听不懂技术黑话，比如把“API”识别成“A P I”或者乱码。我在 PC Agent 里加了个轻量级的“纠错中间件”：

• 用户修正即学习：如果我把识别错的词手动改了，系统会记录这个错误。
• 热词库：提前把项目名、技术术语丢进热词表。

用得越久，它对我的口癖和专业词汇识别就越准，这比单纯换个更贵的麦克风管用多了。

总结：这玩意儿到底值不值？

折腾这一圈下来，我的结论是：非常实用，特别是对于经常需要和电脑交互的人。

• 写作者/自媒体：随时记录灵感，不需要切换窗口。
• 程序员：写代码时和 AI 对话（比如问 Copilot 问题时），不用手停下键盘，直接按住说需求，效率提升感知极强。

它把“说话变文字”这件事，变成了一个纯粹的物理动作。没有蓝牙配对的心智负担，也没有软件界面的干扰，就是一个纯粹的、随时待命的“输入按钮”。

如果你也是个喜欢折腾桌面外设的极客，这个项目既涵盖了嵌入式开发，又涉及网络通信和 PC端交互，绝对是个练手的好题材。后续我还在继续优化它的功耗和多设备管理功能，争取把它做成桌面上永远不想拔掉的“常驻民”。