|
一、整體架構總覽
設備硬件：MCU主控 + 4G通信模組+ 麥克風（拾音）+ 喇叭（播放）
軟件鏈路：
麥克風采集語音 → MCU編碼音頻 → 4G模組AT指令建立網(wǎng)絡通道 → 上傳音頻到云端智能體
云端處理：ASR語音轉文字 → LLM大模型思考生成回復文本 → TTS文本合成語音
下行鏈路：云端下發(fā)合成音頻 → 4G模組AT透傳下發(fā)音頻流 → MCU解碼播放喇叭
二、4G模組AT指令基礎前置操作（必須先完成網(wǎng)絡附著）
所有數(shù)據(jù)傳輸前，先用AT指令讓4G模組聯(lián)網(wǎng)，分6步：
1. 串口初始化MCU與4G模組串口（9600/115200波特率）
2. 模組基礎檢測
AT // 測試模組通信，返回OK正常
AT+CREG? // 查詢注冊蜂窩網(wǎng)絡，返回0,1/0,5代表注冊成功
AT+CGATT? // 查詢附著分組域，1=附著成功
3. 設置APN（運營商流量卡）
AT+CGDCONT=1,"IP","CMNET" // 移動；聯(lián)通UNINET；電信CTNET
4. 激活PDP上下文，建立數(shù)據(jù)通道
AT+CGACT=1,1
5. 獲取模組本地IP
AT+CGPADDR=1
6. 建立TCP/UDP透傳連接（核心，用來上傳音頻、接收TTS語音）
AT+CIPSTART="TCP","xxx.xxx.xxx.xxx",8080 // 智能體平臺服務器IP端口
// 返回CONNECT 代表長連接建立成功
AT+CIPSEND=長度 // 下發(fā)指定字節(jié)數(shù)據(jù)流（音頻/文本）
> 兩種傳輸模式：
> 1. 緩存透傳：`AT+CIPSEND=X` 發(fā)送X字節(jié)二進制音頻；
> 2. 命令模式發(fā)文本：直接發(fā)送字符串，用于下發(fā)控制指令。
三、完整業(yè)務鏈路分步實現(xiàn)：ASR→LLM→TTS
鏈路1：本地拾音 + 音頻封裝（MCU端）
1. 麥克風采集模擬語音，MCU內(nèi)置ADC采樣，編碼為PCM/AMR/G.711輕量化音頻（4G流量�。�；
2. MCU給音頻加自定義包頭：設備ID、音頻長度、采樣率、編碼格式；
3. 通過串口調(diào)用4G模組`AT+CIPSEND`，分段上傳二進制音頻流到智能體后臺TCP服務。
鏈路2：云端ASR自動語音識別（聲音→文字）
平臺收到4G上傳的音頻流后：
1. 解包分離純音頻數(shù)據(jù)；
2. 調(diào)用內(nèi)置ASR服務，輸出識別文本；
示例：音頻“現(xiàn)在多少度” → ASR輸出文本：`現(xiàn)在室內(nèi)溫度多少度？
鏈路3：LLM大語言模型邏輯處理（AI大腦）
將ASR識別文本送入LLM，同時攜帶設備上下文（設備狀態(tài)、歷史對話）：
1. LLM理解用戶語義；
2. 生成應答文本；
ASR文本：`現(xiàn)在室內(nèi)溫度多少度？`
LLM輸出應答文本：`當前室內(nèi)溫度26攝氏度，溫度舒適`
鏈路4：云端TTS語音合成（文字→音頻）
LLM輸出文本送入TTS引擎：
1. 配置音色、語速、采樣率，生成和上傳編碼一致的PCM/AMR語音流；
2. 打包音頻數(shù)據(jù)流，通過之前4G模組建立的TCP長連接下行推送。
鏈路5：4G模組下行透傳音頻 + MCU播放
1. 4G模組收到平臺下發(fā)的二進制音頻，串口主動上報數(shù)據(jù)（+RECV消息）；
2. MCU接收分包音頻，拼接完整語音；
3. MCU DAC解碼，驅動喇叭播放TTS人聲。
四、兩種主流AT指令傳輸方案對比
方案A：TCP長連接透傳（推薦語音交互）
全程一條`AT+CIPSTART`保持連接，音頻分片上行、TTS音頻分片下行，延遲低，適合實時語音對話。
AT核心流程簡化：
AT+CIPSTART="TCP","平臺IP",端口
// MCU采集音頻分段發(fā)送
AT+CIPSEND=128
[128字節(jié)音頻數(shù)據(jù)]
// 云端處理ASR+LLM+TTS后，服務器下發(fā)音頻
模組串口主動輸出：+RECV:256, [256字節(jié)TTS語音]
方案B：HTTP/POST AT指令上傳（簡單低并發(fā)設備）
使用`AT+HTTPPOST`把音頻二進制放在http body上傳平臺，適合低實時性場景，交互延遲更高，不適合連續(xù)語音對話。
AT+HTTPINIT
AT+HTTPPARA="URL","http://平臺域名/asr/upload"
AT+HTTPDATA=音頻總長度,超時時間
[音頻二進制數(shù)據(jù)]
AT+HTTPACTION=1 // 發(fā)起POST請求
五、關鍵配套控制指令（對話啟停）
1. 開始錄音指令（MCU觸發(fā)拾音）：MCU串口下發(fā)AT控制自定義指令給平臺
`AT+CIPSEND=10,START_AUDIO`
2. 結束錄音上傳指令：
`AT+CIPSEND=8,END_AUDIO`
3. 停止TTS播放：
`AT+CIPSEND=7,STOP_TTS`
六、完整時序流程圖
1. MCU發(fā)送AT聯(lián)網(wǎng) → 4G模組TCP連接平臺
2. 用戶說話 → MCU采集編碼音頻 → AT+CIPSEND分段上傳音頻
3. 云端：音頻→ASR文字→LLM生成回復文本→TTS合成語音流
4. 平臺下行TTS語音包 → 4G模組串口推送數(shù)據(jù)給MCU
5. MCU解碼音頻，喇叭播放AI回答
6. 循環(huán)等待下一次語音拾音
七、痛點與優(yōu)化方案
1. 4G分包丟包：音頻增加序號包頭，云端做分包重組，丟失則設備重傳；
2. 流量消耗大：音頻采用AMR壓縮編碼，降低傳輸字節(jié)；
3. 交互延遲高：TCP長連接代替HTTP，云端ASR流式識別（邊上傳邊識別，不用等整段音頻）；
4. 模組掉線：MCU定時心跳AT指令 `AT+CIPSEND=6,PING`，斷連自動重執(zhí)行`AT+CIPSTART`重連。
八、硬件極簡邏輯總結
4G模組只負責透傳二進制數(shù)據(jù)流，完全依靠AT指令建立網(wǎng)絡通道；
ASR、LLM、TTS算力全部放在云端平臺，本地MCU只做：音頻采集編碼、串口收發(fā)AT指令、音頻解碼播放，本地無AI算力，成本更低，是物聯(lián)網(wǎng)語音智能體設備通用方案。
|
