语音设置闹钟提醒的HiChatBox实现

你有没有过这样的经历？深夜加班，困得眼皮打架，却还得挣扎着打开手机、滑动屏幕、点进闹钟App……就为了设个“半小时后提醒我休息”。🤯 而现在，只需要一句：“Hi ChatBox，半小时后叫我休息”，一切搞定——不用动手，不看屏幕，甚至不用联网。

这听起来像科幻片？其实它已经悄悄走进我们的生活。今天要聊的，就是如何在一个叫 HiChatBox 的嵌入式语音终端上，用纯本地化的方式，实现“一句话设闹钟”的完整闭环。🎯

这个小盒子不靠云端，不依赖手机，自己就能听懂你说的话、理解你的意图、记住时间，并准时提醒你。它是怎么做到的？我们来一层层拆开看。

---

🎤 听见你：从“你好小盒”开始的唤醒之旅

一切始于声音。但让设备一直开着麦克风听着，岂不是耗电如飞？而且万一它老是误唤醒，半夜突然说一句“我在听”，那可太吓人了。

所以，我们用了两段式设计：先“唤醒”，再“识别”。

第一阶段是 关键词唤醒（KWS） ——系统像个睡着的哨兵，耳朵一直竖着，只等那一句特定的话：“你好小盒”或者英文“Hi ChatBox”。一旦听到，立刻睁眼！

这个KWS模型非常轻量，比如基于TensorFlow Lite Micro的小型神经网络，能在ESP32这种双核MCU上跑得飞起。它的延迟控制在300ms以内，误唤醒率低到每天不到一次，关键是——所有计算都在本地完成，录音不会上传任何地方，隐私安全拉满！🔐

检测到唤醒词后，系统播放一声清脆的“滴”🔊，表示“我醒了，请说吧”，然后马上切换到第二阶段：连续语音识别（ASR）。

这时候才真正开始录你说的整句话。为了节省资源，我们限制词汇量在200个常用词内，比如时间、动作、数字等。模型也做了极致压缩，可能是简化版的RNN-T或CTC架构，确保在没有GPU的情况下也能实时转录。

下面这段代码，就是在ESP32上实现KWS监听的核心逻辑：

// 示例：ESP32上KWS与ASR状态切换逻辑（基于ESP-SR SDK）
#include "esp_sr_iface.h"
#include "esp_mn_iface.h"

const esp_mn_iface_t *model = &esp_mn_wakenet5_quantized;
void *model_data = NULL;
audio_frontend_t *frontend = NULL;

void start_listening() {
    model_data = model->create(model_name, &config);
    frontend = create_audio_frontend();

    while (true) {
        int16_t *buffer = get_audio_buffer(); // 获取PCM数据
        int len = read_microphone(buffer, 1024);

        float *mfcc_input = compute_mfcc(frontend, buffer); // 提取MFCC特征
        int result = model->detect(model_data, mfcc_input);

        if (result == WAKEUP_WORD_DETECTED) {
            play_beep(); // 播放提示音
            stop_kws();
            start_asr_recognition(); // 启动ASR
            break;
        }
    }
}

看到没？MFCC特征提取 + 本地推理，全程离线。整个过程就像一个微型“耳朵+大脑”组合，安静又高效地守候在你身边。

---

💬 听懂你：把“七点半叫我起床”变成机器能执行的命令

语音变文字只是第一步。接下来才是真正的挑战： 你怎么知道用户说的是“明天早上七点半”而不是“今晚七点半”？

这就轮到 自然语言理解（NLU）模块 登场了。它不像大模型那样天马行空，而是专注在一个小领域里做到精准——毕竟我们只关心“设闹钟”这件事。

举个例子：

“十分钟后提醒我喝水”

这句话对人来说很简单，但对机器来说，需要拆解出两个关键信息：
- 意图（intent） ：我要设一个闹钟
- 时间（time） ：当前时间 + 10分钟

我们可以用规则匹配来做初步处理。比如正则表达式抓取“X分钟后”、“明天Y点”这类模式，再配合一个轻量级时间解析库（比如Python里的 dateutil.parser ），就能把模糊的时间描述转化成精确的时间戳。

来看一段模拟实现：

import re
from dateutil import parser as time_parser
from datetime import datetime, timedelta

def parse_alarm_command(text):
    patterns = [
        r'(?P<time>.+)(?:叫|提醒|喊)(?P<user>.+)?(起床|开会|吃药)',
        r'设置(?:一个)?闹钟(?:在|为)(?P<time>.+)',
    ]

    for pattern in patterns:
        match = re.search(pattern, text)
        if match:
            time_str = match.group('time')
            try:
                alarm_time = time_parser.parse(time_str, fuzzy=True, default=datetime.now())

                # 特殊处理相对时间
                if "分钟后" in time_str:
                    mins = int(re.search(r'(\d+)分钟', time_str).group(1))
                    alarm_time = datetime.now() + timedelta(minutes=mins)
                elif "小时后" in time_str:
                    hrs = int(re.search(r'(\d+)小时', time_str).group(1))
                    alarm_time = datetime.now() + timedelta(hours=hrs)

                return {
                    "intent": "set_alarm",
                    "timestamp": int(alarm_time.timestamp()),
                    "description": text.replace(time_str, "").strip()
                }
            except Exception as e:
                print(f"时间解析失败: {e}")
                return None
    return None

虽然这是Python写的，但在实际部署时会编译成C/C++版本运行在MCU上，内存占用压到64KB以下。如果想更智能一点，也可以集成TinyNLP或MobileBERT这类微型语义模型，提升复杂语句的理解能力。

重点在于： 不做全能选手，只做专精专家 。在这个限定场景下，准确率轻松超过92%，完全够用。

---

⏰ 记住你：RTC + 调度器，让提醒永不迟到

终于拿到了结构化指令：“intent: set_alarm, timestamp: 1712345678”。下一步，就是让它按时响起来。

这里的关键是 实时时钟（RTC） 和 闹钟调度器 。RTC通常搭配一个32.768kHz的晶振，即使主芯片休眠，它也能靠纽扣电池继续走，精度可以做到±2秒/天，比很多手表还准。🕒

而调度器则像个贴心的日程管家，负责管理最多10个闹钟任务。每个闹钟都存进Flash里，断电也不丢。每天主循环中，它都会检查一遍：“现在有没有该响的闹钟？”

核心逻辑长这样：

struct Alarm {
    uint32_t timestamp;
    bool enabled;
    bool repeat_daily;
    char label[32];
};

Alarm alarms[MAX_ALARMS] = {0};
RTC_TimeTypeDef current_time;
RTC_DateTypeDef current_date;

void check_alarms() {
    get_current_rtc_time(&current_time, &current_date);
    uint32_t now_ts = convert_to_timestamp(&current_time, &current_date);

    for (int i = 0; i < MAX_ALARMS; i++) {
        if (!alarms[i].enabled) continue;

        if (abs(now_ts - alarms[i].timestamp) < 60) { // 容差1分钟
            trigger_alarm(i);
            if (!alarms[i].repeat_daily) {
                alarms[i].enabled = false;
            } else {
                alarms[i].timestamp += 86400; // 明天同一时间
            }
            save_alarms_to_flash();
            break;
        }
    }
}

void trigger_alarm(int idx) {
    play_alarm_tone();
    flash_led(5);
    display_show_message("闹钟响了！", alarms[idx].label);
}

支持一次性、每日重复、每周循环……甚至连“贪睡（Snooze）”功能都能加进去：按一下按钮，推迟5分钟再响。

而且为了避免尴尬，系统还会自动拦截“过去时间”的设置请求，比如说“昨天下午三点提醒我开会”——这种无效指令会被默默修正为最近可行的时间点，用户体验瞬间丝滑不少。✨

---

🔧 整体协作：一条完整的语音指令是如何被执行的？

让我们把镜头拉远，看看整个系统的协作流程：

[麦克风] 
   ↓ (PCM音频流)
[KWS引擎] → 检测“Hi ChatBox”
   ↓ (唤醒触发)
[ASR引擎] → 转录“十分钟后提醒我喝水”
   ↓ (文本串)
[NLU引擎] → 解析出 intent=set_alarm, time=+10min
   ↓ 
[闹钟调度器] ↔ [RTC模块]
   ↓
[蜂鸣器 / LED / LCD] → 到点提醒

各模块之间通过事件队列通信，彼此独立又紧密配合。这种松耦合设计不仅提升了稳定性，也让未来扩展变得容易——比如新增“语音查天气”、“语音控制灯”等功能，只需插入新的NLU规则和执行模块即可。

---

🛠 实战中的那些细节考量

真正落地一个产品，光有技术链还不够，还得考虑现实世界的“坑”。

• 麦克风选型 ：我们选了INMP441这类数字MEMS麦克风，信噪比>60dB，远场拾音效果好，哪怕你在房间另一头说话也能听清。
• 抗噪能力 ：加入谱减法降噪算法，在厨房、客厅等嘈杂环境依然稳定工作。
• 电源管理 ：KWS运行在低功耗核心上，平均待机电流不到1mA，电池供电可用数周。
• 用户反馈 ：每次成功设置后，系统会用TTS播报确认信息，比如“已为您设置10分钟后喝水提醒”——听得见的安心感很重要。
• 交互容错 ：支持取消指令，如“取消刚才的提醒”，避免误操作带来的困扰。

这些看似微小的设计，恰恰决定了用户体验是从“能用”到“好用”的跨越。

---

🚀 结语：语音，正在成为最自然的操作方式

回头看，这个小小的HiChatBox，其实完成了一次完整的AI闭环：
听见 → 听懂 → 记住 → 执行

它不需要连接云服务器，不依赖智能手机，也不需要复杂的界面。只要一句话，就能帮你管理时间。而这背后，是KWS、ASR、NLU、RTC、调度器等多个模块的精密协作，是在有限资源下的极限优化。

更重要的是，它的架构足够模块化、可移植性强，完全可以迁移到其他场景：
- 给老人做的语音备忘录？
- 工厂里的免手操设备控制？
- 孩子的学习助手？

都不是梦。🌈

未来的智能设备，不该是让人去适应机器，而应该是机器主动理解人。语音，作为人类最原始、最自然的交流方式，注定将成为下一代人机交互的核心入口。

而像HiChatBox这样的轻量化终端，正在让“听得懂、记得住、做得准”的智能体验，一步步走进千家万户。🏡💬

也许有一天，我们不再需要点击图标、滑动页面，只需要轻轻说一句：“帮我记住这件事。”
世界就会替我们记下。