麦克风与音频采集：I2S 是怎么回事

你已经看懂了硬件接大模型那条链路：唤醒 → ASR → LLM → TTS。但那一节是站在"文字"这一层讲的——板子发文字、拿文字。真要做一个会听会说的东西，绕不开最物理的一关：声音怎么进到芯片里，又怎么从芯片出去。这就是这一节的事。

把它想成给硬件装"耳朵和嘴"。耳朵负责把空气里的振动变成芯片能处理的数据，嘴负责把数据变回能听见的声音。这两件事，在 AI 硬件里几乎都走同一条总线：I2S。先把它讲透，后面接麦克风、接喇叭才不会一头雾水。

---

为什么不用那种最常见的模拟麦克风

你大概见过那种三只脚的小麦克风模块（驻极体 + 一个 MAX9814 之类的放大芯片），输出一根模拟电压线。它便宜、好接，但做语音 AI 基本不选它。原因就两点，但都很要命。

• 信噪比差。模拟信号在杜邦线上走一段，就会蹭上各种电噪声——电源纹波、Wi-Fi 干扰、板子上其他芯片的串扰。声音本身才几十毫伏，噪声一上来，人耳能忍，但 ASR 模型会被搞糊涂。
• 多一道模数转换，多一处损失。模拟麦的电压最后还得喂给 ESP32 的 ADC 转成数字。ESP32 自带的 ADC 精度和线性度都很一般，转出来的音频质量经不起细看。

数字麦克风（I2S MEMS 麦，典型如 INMP441）把"采集 + 模数转换"做进了麦克风芯片内部，直接吐数字信号。好处是直接的：

• 转换在麦克风壳子里就完成了，模拟段极短，几乎不给噪声可乘之机。
• 出来就是数字，沿着 I2S 走多远都不失真——传的是 0 和 1，不是怕干扰的电压。
• 接线干净、量产一致性好，这也是为什么市面上的语音模组、智能音箱基本清一色用它。

一句话：做语音 AI，从一开始就用 I2S 数字麦，别在模拟麦上浪费时间。 省下的调试功夫，够你把后面三步链路调通了。

---

I2S 到底是什么（顺便澄清：它不是 I2C）

I2S 全称 Inter-IC Sound，是一条专门传数字音频流的总线。注意它和 I2C 只差一个字母，但完全是两码事，别搞混：

• I2C 是给传感器、屏幕这类设备发"读写寄存器"的小命令的，一问一答、数据量小、慢。
• I2S 是给音频流量身定的，要的是连续、稳定、按固定节拍把一个个采样点不停地搬运——音频是个永不停歇的数据流，慢一拍就卡顿。

I2S 一般用三根信号线，名字你会反复见到，先记住它们各管什么：

• SCK / BCLK（位时钟）：每传一个二进制位就跳一下，是整条总线的节拍器。
• WS / LRCLK（字/声道选择）：标记现在传的是左声道还是右声道。它跳一个完整周期，就对应一个采样点。
• SD / DOUT / DIN（数据线）：真正的音频数据在这根线上走。麦克风往外吐叫 SD/DOUT，喇叭功放往里收叫 DIN。

理解这三根的分工，下面接线就不是死记，而是"知道每根线在干嘛"。

---

接线示意：麦克风进、喇叭出

下面的引脚是示意，具体脚号以你手上的模块丝印和 ESP32 官方文档为准——不同开发板、不同模组的可用引脚不一样，下面的 GPIO 号是占位，照搬不一定对。

输入：INMP441 数字麦 → ESP32

INMP441            ESP32（引脚号为占位，需按你的板子核对）
  VDD  ───────────  3.3V
  GND  ───────────  GND
  SCK  ───────────  GPIO_xx   (I2S 位时钟 BCLK)
  WS   ───────────  GPIO_xx   (I2S 字选择 LRCLK)
  SD   ───────────  GPIO_xx   (I2S 数据，麦克风往外吐)
  L/R  ───────────  GND       (接地=用左声道，接 VDD=右声道)

输出：MAX98357 I2S 功放 → 喇叭

MAX98357           ESP32
  VIN  ───────────  5V（看模块标注，有的 3.3V 也行）
  GND  ───────────  GND
  BCLK ───────────  GPIO_xx   (位时钟，可和麦共用，也可独立)
  LRC  ───────────  GPIO_xx   (字选择)
  DIN  ───────────  GPIO_xx   (I2S 数据，往功放里送)
  +/-  ───────────  喇叭两根线

麦克风的 L/R 脚决定它占左还是右声道，接地通常就走左声道、单声道采集足够。功放这边 DIN 是"进"，方向和麦克风的 SD"出"正好相反——一个往芯片送数据，一个从芯片要数据。

---

示意代码：配置 I2S 读麦克风的思路

下面这段是参考实现，不是复制就能跑的成品。它演示的是"怎么把 I2S 配成接收模式、然后读出一段音频"的骨架。引脚号、API 细节请以 ESP-IDF 官方 I2S 文档和你用的库版本为准——ESP-IDF 不同版本的 I2S API 改过，新旧写法不一样，照抄旧教程很容易对不上。

// 示意：配置 I2S 为接收（读麦克风），思路演示，引脚和 API 需按你的板子/库核对
#include <driver/i2s.h>   // 注意：新版 ESP-IDF 用 driver/i2s_std.h，API 不同

#define I2S_WS    GPIO_xx  // 占位：字选择(LRCLK)，换成你接的脚
#define I2S_SCK   GPIO_xx  // 占位：位时钟(BCLK)
#define I2S_SD    GPIO_xx  // 占位：数据线(麦克风的 SD)

void setupMic() {
  i2s_config_t cfg = {
    .mode = (i2s_mode_t)(I2S_MODE_MASTER | I2S_MODE_RX), // 主机、接收
    .sample_rate = 16000,                 // 采样率，语音常用 16kHz
    .bits_per_sample = I2S_BITS_PER_SAMPLE_16BIT, // 位深，下面解释
    .channel_format = I2S_CHANNEL_FMT_ONLY_LEFT,  // 只取左声道（对齐 L/R 接地）
    .communication_format = I2S_COMM_FORMAT_STAND_I2S,
    .dma_buf_count = 4,                   // DMA 缓冲块数
    .dma_buf_len = 256                    // 每块采样数
  };
  i2s_pin_config_t pins = {
    .bck_io_num = I2S_SCK,
    .ws_io_num  = I2S_WS,
    .data_out_num = I2S_PIN_NO_CHANGE,    // 不发，只收
    .data_in_num  = I2S_SD                // 数据从这根脚进来
  };
  i2s_driver_install(I2S_NUM_0, &cfg, 0, NULL);
  i2s_set_pin(I2S_NUM_0, &pins);
}

void readMic() {
  int32_t buf[256];      // INMP441 每个采样是 24/32 位，用 int32 存
  size_t bytesRead = 0;
  i2s_read(I2S_NUM_0, buf, sizeof(buf), &bytesRead, portMAX_DELAY);
  // buf 里就是一段原始音频采样了。下一步：算电平、编码、或上传 ASR
}

---

采样率和位深：两个绕不开的概念

读音频前，你得先告诉 I2S "按多细的颗粒度采"。两个参数决定这件事，配错了声音就不对。

• 采样率：一秒钟采多少个点，单位赫兹。语音识别通常 16kHz 就够（人声主要能量在 8kHz 以下，按采样定理 16kHz 能覆盖）。音乐才需要 44.1kHz 这种高采样。采样率越高，数据量越大、越占内存和带宽——做语音别盲目堆高，16kHz 是甜点。
• 位深：每个采样点用多少位来表示振幅，决定动态范围（最响和最轻之间能分多少档）。16 位是语音的常用值。注意一个坑：INMP441 实际吐的是 24 或 32 位的数据，但有效位往往在高位，你常常要把读到的 int32 右移若干位才拿到真正的振幅——这一步漏了，声音会要么爆音、要么几乎听不见。

记住一组好用的起步值：16kHz 采样、16 位有效位、单声道。语音场景下这套又省内存又够用，先用它跑通，有特殊需求再调。

---

为什么要 OPUS 编码

读进来的原始音频（PCM）很占地方：16kHz、16 位、单声道，一秒就是 32KB。你要把它流式传给云端 ASR，这个体积扛不住——ESP32 内存小、上行带宽也不富裕。

OPUS 是一种为语音和实时传输设计的音频压缩格式，能把音频压到原来的几分之一甚至更小，而且专为低延迟、抗丢包优化，正合"边录边传"的语音链路。所以正经的语音硬件里，麦克风读出的 PCM 通常先 OPUS 编码、再上传，到了服务端再解码识别；TTS 回来的音频也常是压缩的，板子解码后才送进功放。

这一步属于"把音频接进网络链路"的环节，细节（编码库、流式打包、和 ASR 服务对接）放到语音识别与合成那节专门讲。这里你只要建立一个意识：原始音频不直接上云，中间要压一道，OPUS 是语音场景的默认选择。

---

故障排查：声音不对，按这个查

第一次接 I2S 麦克风，听不到声音或一片噪声是常态。照这张表查：

现象	最可能的原因	怎么办
完全没数据 / 全是 0	接线错或供电没到	核对 VDD/GND、三根信号线是否接到你代码里配的脚
读到数据但全是噪声	位深没右移，或 L/R 脚没接	INMP441 要把 int32 右移取有效位；确认 L/R 脚接了地或电源
声音很轻、几乎听不见	有效位取错，或增益问题	检查右移位数；离麦克风近点测试
声音断断续续 / 卡顿	DMA 缓冲太小或读取跟不上	调大 dma_buf_count/dma_buf_len，确保读取循环够快
喇叭无声	功放供电/DIN 方向错	功放是 DIN（进），别接成 DOUT；核对功放供电电压
编译报 I2S 函数未定义	ESP-IDF 版本 API 不匹配	新版用 i2s_std.h 的新 API，对照你的版本文档改

排查总原则和调网络一样：一次只动一个变量。先确认有数据进来，再看数据对不对，最后才管编码和上传。

---

动手挑战

别只看，把"耳朵"亲手装上：

1. 先证明声音进来了：按上面的思路配好 I2S 接收，在 readMic() 里把读到的采样取绝对值求个平均，当作"音量电平"用串口打印出来。对着麦克风说话、拍手，看数字会不会跳——能跳，就说明声音真进到芯片里了。
2. 再做个简易电平条：把那个电平值映射成串口里打印的一串 # 号（越响越长），相当于一个文字版的音量表。这一步跑通，你就把"采集"这一环彻底攥在手里了。

卡住了？把你的 I2S 配置代码、串口打印的数据、还有你用的模块型号一起发给 AI，让它帮你对引脚、查右移位数。

---

小结 · 你现在掌握了什么

• 你知道了语音 AI 为什么用 I2S 数字麦（如 INMP441）而不是模拟麦：信噪比和数字化这两笔账。
• 你能说清 I2S 是什么、三根信号线（SCK/WS/SD）各管什么，以及它和 I2C 完全不是一回事。
• 你看懂了麦克风进、喇叭出怎么接，以及读 I2S 数据的配置骨架——并知道引脚和 API 要按自己的板子核。
• 你建立了采样率、位深、OPUS 编码这几个概念，知道语音场景该用哪组起步值。

这是给硬件装"耳朵和嘴"的第一步。把采集这一环跑通，AI 硬件那条语音链路你就握住了最物理的源头。完整工程怎么落地，去 L4 这一级 往下走、或直接拆实战项目。

下一步：声音能进来了，但板子不能一直把每句话都上传——它得先听到那句"你好"才醒来。去学唤醒词，给你的硬件装上一个永远在线、却只为暗号睁眼的"耳朵开关"。