自己动手做智能音箱：从选板子到接入语音助手

去年我买了三个成品智能音箱，结果两个吃灰——一个只认自家平台的音乐，另一个答非所问。后来干脆自己攒了一台，前后花了大概三周，总成本280块。现在它每天帮我关灯、放播客、报天气，响应速度比买的成品还快一点。这篇就把整个流程说清楚，包括我踩过的坑。

先说个实在话：做智能音箱最难的不是硬件拼接，而是"唤醒词识别"和"语音转文字"这两步。硬件基本就是插排线拧螺丝的事，软件才是真正耗时间的地方。第一次做的人，八成会卡在软件上。

硬件怎么选，别一上来就买贵的

我第一版用的树莓派 4B，后来换成了 Zero 2 W。4B 功耗高、发热大，当音箱属于浪费。麦克风阵列才是关键，单麦克风放客厅根本听不清，我用的是 ReSpeaker 2-Mic Pi HAT，自带硬件回声消除，能一边放音乐一边听唤醒词。如果你只想做简单点的，ESP32-S3 加个 INMP441 麦克风也能跑，成本压到 60 块以内，但算力有限，语音识别基本得放云端。

• 主控：树莓派 Zero 2 W（约120元）或 ESP32-S3（约25元）
• 麦克风：ReSpeaker 2-Mic HAT，预算紧就上 INMP441
• 功放加喇叭：PAM8403 配 4Ω 3W 小喇叭，卧室够用
• 供电：5V 2A 电源，别用杂牌充电头，会干扰麦克风

软件部分：唤醒词和语音识别怎么落地

唤醒词我推荐 openWakeWord，开源、能在树莓派上跑，自己录几十句样本就能训一个自定义唤醒词。Snowboy 早就停止维护了，别再用。语音识别分两条路：本地用 Whisper.cpp，Zero 2 W 上跑 tiny 模型大概 1.5 秒出结果，慢是慢点但隐私好；云端接讯飞或百度，延迟 300 毫秒左右，免费额度个人用绰绰有余。我自己用了混合方案——简单指令走本地，复杂的走云端。

语音合成我用的 edge-tts，免费，音色比不少成品音箱自带的机械音自然。整条链路是这样的：麦克风听到唤醒词 → 录音 → 转文字 → 匹配意图 → 执行 → 播报，用 Python 串起来不到 200 行代码。要是懒得写，直接装 Home Assistant 也行，它现在自带语音助手管线，图形界面里点几下就配好了。

几个我实际踩过的坑

第一个坑是电流声。喇叭一放音，麦克风就嗡嗡响，折腾半天发现是供电共地的问题，给麦克风单独加了 LC 滤波才压下去。第二个坑是误唤醒，刚做好那阵子一天触发十几次，后来把阈值从 0.5 调到 0.7，又把电视声音录进去做负样本重训，才降到一天一两次。第三个坑是延迟，一开始整条链路要走 3 秒以上，说话完半天没反应，后来加了静音检测的录音截断，说完立刻停录，压到了 1 秒出头。

如果你不追求折腾，只想低成本用上语音控制，我建议先拿 ESP32 加云端方案试水，几十块钱，一晚上能跑通。等确认自己真会天天用，再升级麦克风阵列和本地识别。DIY 智能音箱最大的价值其实不是省钱，是数据握在自己手里，也不用被哪个平台的会员绑住。