Rui0317

市面上的蓝牙语音遥控器方案普遍依赖厂商私有云服务，用户无法自行部署和定制语音处理逻辑。本项目的立项目标是从零打造一款完全开源、可自主部署的 AI 语音遥控器，覆盖从硬件 PCB 设计到云端后台的全链路，让开发者和硬件爱好者可以低成本复现并自由扩展。 核心功能模块包括四个部分：（1）硬件层：基于 ESP32-S3 模组自制 2 层 PCB，集成 PDM MEMS 麦克风、MAX98357A I2S 音频功放、TP4065 锂电池充电管理和 USB Type-C 接口，成品可装入市售遥控器外壳，单台 BOM 成本约 75-95 元；（2）固件层：基于 ESP-IDF v5.4 开发，实现 BLE HID 遥控（键盘/鼠标/多媒体）、SoftAP WiFi 配网（支持多组 WiFi 记忆）、PDM 麦克风采集、I2S 音频播放、HTTPS 语音管线和 OTA 双分区固件升级；（3）Android APP：作为语音桥接端，通过 UDP 接收 ESP32 的音频流，HTTP POST 转发给云端后台处理，再将 TTS 合成的音频回传给遥控器播放，同时提供蓝牙连接管理、WiFi 配网界面和远程日志查看功能；（4）PHP 云端后台：实现可插拔的 ASR→LLM→TTS 语音处理管线，支持 FunASR（免费语音识别）、微软 Edge TTS（免费语音合成）和 DeepSeek 等 OpenAI 兼容大模型 API，并提供 OTA 固件版本管理后台和 API 日志监控面板。 业务流程为：用户按下遥控器语音键 → ESP32 PDM 麦克风采集 16kHz PCM 音频 → 优先通过 UDP 发送给 Android APP 桥接转发（本地模式），若 APP 不可达则自动切换为 HTTPS 直连云端（云端模式）→ Web 后台依次执行语音识别（FunASR，约 1 秒）、大模型生成回复（DeepSeek，约 1.5 秒）、语音合成（Edge TTS，约 0.7 秒）→ PCM 音频通过 HTTP 响应返回 → ESP32 I2S 播放语音回复。整个流程端到端延迟约 3-4 秒。遥控器同时支持 BLE HID 标准协议，可直接控制 PC、电视、智能家居设备的方向键、确认键和多媒体按键。