使用树莓派 4B + wukong 模块 + OpenAI，做了个智能音箱，简单记录下关键节点。
智能音箱的大概流程是这样的：
- 关键词唤醒
- 听用户说什么并转换为文字
- 识别文字中的命令并得到答案
- 将文字转换为音频并播放
- 将上述流程串起来
上面是从技术的角度分析。从产品的角度，还要考虑很多事情
- 产品外观及工业设计
- 响应速度与使用感受
- 稳定性
- 电池、功耗、散热等
从实现的角度，各个模块都有对应的选择，每个模块取最优解，然后组合出产品，是可以的。只是，这会比较耗时。经过简单的比较，选择 wukong-robot 这一成套解决方案。
关于硬件的选型。先是用我手上吃灰的 Radxa 安装。不过，由于这个硬件比较老了，官方的 Ubuntu 系统很久远，在安装 wukong-robot 时，遇到一系列兼容性问题。花了很多时间后，决定放弃。
找朋友借来了树莓派 3B。果然，树莓派生态很好。就拿安装系统来说，官方出了多平台的工具，很容易安装指定系统。并且，树莓派的系统是安装在 SD 卡上的。这样，更换 SD 卡就可以更换系统，很方便。
安装 wukong-robot 后，又遇到问题：这块板的 USB 有故障，识别不了 USB 设备。这就难办了，因为麦克风、扬声器是需要 USB 接口的。没办法，又买了树莓派 4B。
在新的硬件上，基本跑通了默认系统后，还要有一系列的配置和优化。
关于后端引擎，最想用的自然是 ChatGPT/OpenAI。不过，这个东西在国内是无法访问的。试了在板子上搭建梯子，可遇到 SSL 的问题，花了很长时间没解决，并且也不是必现的，只是高概率。
后来想的办法，就使用 Azure 的 ChatGPT 接口。具体的，使用日本的节点，会相对快点。好处是不用梯子，但总的响应速度，还是不如梯子 + OpenAI 接口。先这样用段时间，再考虑优化速度吧。
关于语音识别，简单比较几个，感觉区别不是太大，最后选了腾讯语音。
关于语音全成，默认是 Edge 接口，合成的效果不错。不过，实际有时会慢，比如一句短语可能要 2s 以上，这就比较影响体验，最后选了腾讯语音。
关于麦克风和扬声器，考虑最后的外观，选择了一个 USB 一体的、方形的设备。这样，可以比较容易和树莓派一起放到一个壳子里。
说到壳子，自己设计了简单的外壳，正在 3D 打印，收到后再验证。多半，还会再做几版。
还有其它一些优化，比如：
wukong-robot在识别出命令后，会先调用百度 Unit 进行第一遍处理，目的是识别出一些预定义的功能，比如「大点声」这类的。问题是，这个操作会增加 3s 的延时。显然，为了低频的预处理，给所有请求都加上延时，是不划算的，于是我去掉了。- 但调音量的需求确实存在，于是在发送到 OpenAI 进行识别之前，硬编码对命令进行预识别和处理。这是本地的，不消耗时间。
wukong-robot内置的调音量，是硬编码设置默认设备的，这点改成了可以调节指定设备的。 - 替换录音开始、结束的提示音，减缓大延时带来的差体验。
最终产品，主要是给娃用的，回答他的十万个为什么。从初步使用体验上看，还是满意的。最大的不足是唤醒不灵敏、可能误唤醒。这点之后考虑用麦克风阵列，取代现在的单麦克风。未来，还会根据实际使用来不断改进。
后记：其实这件事，我几个月前就想做了，拖拖拉拉做到现在。
最开始，我是想基于现有的智能音箱做二次开发。最后发现，我还是太年轻。但凡厂商，几乎没有真正开放的。如果很容易让别人二次开发，岂不是给别人嫁衣。
如果自己完整做一个，需要大块的时间，一直没这个勇气，直到最近才下决心。比如，看到人家稚晖君，半年时间就做出那么高级的机器人，自己半年组装不出一个音箱，真是太汗颜了。