最近在做一个智能家居项目，需要用ESP32实现语音对讲功能。踩了不少坑之后终于把延迟控制到了200ms以内，分享一下实战经验，希望能帮到同样在折腾语音方案的伙伴们。

一、为什么选择ESP32做语音方案

1. 对比STM32+Codec方案：
2. ESP32自带I2S接口和硬件编解码，省去额外音频芯片
3. 集成Wi-Fi/BLE双模，网络传输更方便

4. 价格便宜（模组30元左右）

5. 实际遇到的痛点：

6. 麦克风采集有电流声（后来发现是电源问题）
7. 网络抖动导致语音断断续续
8. 长时间运行会出现内存泄漏

二、核心代码实现

先上最关键的I2S配置代码，这个配置能保证16kHz采样率下的稳定采集：

void i2s_stream_init() {
  i2s_config_t i2s_config = {
    .mode = (i2s_mode_t)(I2S_MODE_MASTER | I2S_MODE_RX),
    .sample_rate = 16000,
    .bits_per_sample = I2S_BITS_PER_SAMPLE_16BIT,
    .channel_format = I2S_CHANNEL_FMT_ONLY_LEFT,
    .communication_format = I2S_COMM_FORMAT_STAND_I2S,
    .intr_alloc_flags = ESP_INTR_FLAG_LEVEL1,
    .dma_buf_count = 4,  // 双缓冲关键配置
    .dma_buf_len = 1024  // 每个缓冲区大小
  };
  i2s_driver_install(I2S_NUM_0, &i2s_config, 0, NULL);
}

三、性能优化技巧

1. 延迟测试数据（室内环境）：
2. Wi-Fi UDP直连：平均180ms
3. BLE传输：平均220ms

4. 加入前向纠错后：Wi-Fi延迟增加15ms但抗丢包提升

5. 降噪方案对比：

6. 简单高通滤波（效果一般但省资源）
7. FFT频域滤波（效果好但占用30%CPU）

四、避坑经验

1. 硬件设计要点：
2. 麦克风VCC要加磁珠滤波
3. I2S时钟线长度不超过5cm

4. 接地回路要单独规划

5. 内存管理技巧：

6. 定期调用heap_caps_print_heap_info()
7. 音频缓冲区用MALLOC_CAP_INTERNAL分配

五、完整代码结构

建议按这个框架组织项目：

1. audio_capture.cpp - 音频采集相关
2. network_stream.cpp - 网络传输
3. signal_processing.cpp - 信号处理
4. main.cpp - 业务逻辑

关键函数示例（带自动增益控制）：

void audio_preprocess(int16_t* buffer, size_t len) {
  static float gain = 1.0f;
  // 计算RMS值
  float sum = 0;
  for(int i=0; i<len; i++) {
    sum += buffer[i] * buffer[i];
  }
  float rms = sqrt(sum/len);

  // 自动调整增益
  if(rms > 2000) gain *= 0.9f;
  else if(rms < 1000) gain *= 1.1f;

  // 应用增益
  for(int i=0; i<len; i++) {
    buffer[i] = constrain(buffer[i]*gain, -32768, 32767);
  }
}

六、延伸思考

1. 如果要做多设备组网，可以考虑：
2. 使用ESP-NOW协议组Mesh

3. 设计简单的路由协议（如按跳数选择路径）

4. FreeRTOS任务优先级建议：

5. 音频采集任务：优先级3
6. 网络发送任务：优先级2
7. 用户接口任务：优先级1

经过两周的调试，现在设备可以稳定连续工作8小时以上。最大的收获是：音频项目电源设计比代码更重要！下次可能会尝试用ESP32-S3的AI加速做语音识别，有进展再来分享。