小智AI 如何自定义唤醒词+背景图:原理+流程拆解

大模型智能语音交互智能应用

picture.image

猴哥的第 207 期分享,欢迎追看

小智AI 从 v2.0.x 版本开始,支持用户自定义唤醒词+表情包+背景图

picture.image

实现效果如下:

picture.image

有朋友好奇:如何实现的?

今日分享,将尝试拆解这部分的基本原理实现思路

  1. 设备端

首先,我们要了解 ESP32 芯片中的数据是如何存储的,已了解的朋友可跳过。

ESP32s3-N16R8 为例,这里的 N16R8 分别代表啥?

1.1 ESP32中的存储

按照是否在芯片上,存储分两种:

1. 片上存储器(On-chip Memory)

  • 内部ROM(384KB):存储启动代码和关键的系统函数
  • 内部SRAM(512KB):用于运行时变量、堆栈等,访问速度快,断电后数据丢失
  • RTC存储器(16KB):8KB快速存储器,8KB慢速存储器

可以理解为计算机的内存。

2. 片外存储器(Off-chip Memory)

  • Flash存储器:容量通常为8MB或16MB,用于存储程序代码、常量数据和文件系统
  • PSRAM(可选):伪静态随机存储器,用于扩展运行时内存,通过SPI接口连接

可以理解为计算机的硬盘、虚拟内存。

N16R8 就代表 16M 的 Flash 和 8M 的 PSRAM。

硬盘空间有限,为了充分利用,有了分区的概念。

1.2 Flash中的分区

ESP32s3 的 16M 为例,它的分区表如下:

  
# Name,   Type, SubType, Offset,  Size, Flags  
nvs,      data, nvs,     0x9000,    0x4000,  
otadata,  data, ota,     0xd000,    0x2000,  
phy\_init, data, phy,     0xf000,    0x1000,  
ota\_0,    app,  ota\_0,   0x20000,   0x3f0000,  
ota\_1,    app,  ota\_1,   ,          0x3f0000,  
assets,   data, spiffs,  0x800000,  8M  

上表中,Offset 代表分区的起点,Size 代表分区的大小。

那为啥 nvs 是从 0x9000 开始呢?

因为,0x1000-0x9000 另有他用:

  • Bootloader(0x1000-0x8000):存储启动引导程序
  • 分区表(0x8000-0x9000):描述Flash中各分区的信息

这些分区分别是干啥呢?

  • NVS分区 (0x9000开始,16KB):存储配置参数和键值对数据
  • OTA数据分区 (0xd000开始,8KB):存储OTA更新相关的元数据
  • PHY初始化数据 (0xf000开始,4KB):存储射频校准数据
  • OTA固件分区 (两个,约3.9MB):存储主应用程序代码,支持固件更新和回滚
  • Assets分区 (8MB):存储资源文件(图片、音频、字体等)

上述分区,有哪些优势?

  • 充分利用 Flash 的所有空间;
  • ota_0 和 ota_1 交替使用,当前分区处于"活动"状态,另一分区接收新固件;
  • 分区分工明确, OTA固件分区Assets分区 独立更新,互不干扰

而用来自定义唤醒词+表情包+背景图的,正是这里的 Assets分区

问题来了,Assets分区里放的啥,设备端又如何接收更新呢?

下面来看,服务端要做哪些工作。

  1. 服务端

2.1 前端交互页面

前端代码已开源:https://github.com/78/xiaozhi-assets-generator

首先,服务端会读取的设备系统信息:

picture.image

然后,用户可以自定义的选项如下:

  • 唤醒词:内置 esp32 官方训好的唤醒词
  • 字体
  • 表情
  • 背景图

picture.image

最后,前端否则把上述文件打包成assets.bin:

picture.image

这个 assets.bin 就是塞进Assets分区的文件。

问题来了,放在你浏览器中的 assets.bin 如何送到设备中去的?

2.2 后端处理逻辑

先看流程图:

picture.image

具体执行步骤如下:

step 1 :前端和后端保持 websocket 长连接,将 assets.bin 发送到后端服务器,生成一个 url

step 2 :通过 callMcpTool 实现工具调用,本质是给后端发 POST 请求。

step 2.1 :调用 self.assets.set\_download\_urlurl 送给设备端。

云端调用该工具后,设备端将url保存到设置中:

  
AddUserOnlyTool("self.assets.set\_download\_url", "Set the download url for the assets",  
    PropertyList({  
        Property("url", kPropertyTypeString)  
    }),  
    [](const PropertyList& properties) -> ReturnValue {  
        auto url = properties["url"].value<std::string>();  
        Settings settings("assets", true);  
        settings.SetString("download\_url", url);  
        return true;  
    });  

step 2.2 :调用 self.reboot,设备重启。

step 2.3 :设备重启后,根据 url 下载 assets.binAssets分区

自此,设备端更新生效。

问题来了,上述工具调用,不都是 MCPTool 吗?

而要实现 tool/call,底层还得通过 MQTT,所以前端给后端发了 POST 请求后,后端是给 MQTT broker 的 topic 发了这条指令,最终这条指令,被设备端执行。

picture.image

写在最后

本文分享了小智AI: 自定义唤醒词+表情包+背景图的基本原理和实现思路。

篇幅有限,关于 MQTT + MCP 实现设备远程控制的原理,我们下篇见。

如果对你有帮助,不妨点赞收藏 备用。

小智Pro下一版本更新,也将支持设备远程控制,有任何想法,欢迎来聊👇:

picture.image

👇 关注猴哥,快速入门AI工具

picture.image

# AI 工具:

本地部署大模型?看这篇就够了,Ollama 部署和实战

盘点9家免费且靠谱的AI大模型 API,统一封装,任性调用!

免费GPU算力本地跑DeepSeek R1,无惧官方服务繁忙!

# AI应用** :**

弃坑 Coze,我把 Dify 接入了个人微信,AI小助理太强了

202K 下载!最强开源OCR:本地部署,邀你围观体验

阿里开源TTS CosyVoice 再升级!语音克隆玩出新花样,支持流式输出

借 WeChatFerry 东风,我把微信机器人复活了!

成本不到50的AI对话机器人,如何自建服务端?自定义角色+语音克隆

成本低至1.5元/天,小智AI服务端,完整解决方案,高可用+可扩展

0
0
0
0
关于作者

文章

0

获赞

0

收藏

0

相关资源
字节跳动 XR 技术的探索与实践
火山引擎开发者社区技术大讲堂第二期邀请到了火山引擎 XR 技术负责人和火山引擎创作 CV 技术负责人,为大家分享字节跳动积累的前沿视觉技术及内外部的应用实践,揭秘现代炫酷的视觉效果背后的技术实现。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论