1. 项目概述：一个能“听懂话”的番茄钟

最近在捣鼓一个桌面小玩意儿，起因很简单：我发现自己用手机上的番茄钟App时，总忍不住顺手刷两下别的，所谓的“专注”时间反而成了“分心”的开端。于是就想，能不能做个物理上独立、操作更直觉的番茄钟？正好手头有块Seeed Studio的XIAO ESP32S3 Sense开发板，它集成了麦克风和圆形显示屏，一个想法就蹦出来了——做一个能用语音控制的番茄钟计时器，我给它起名叫AskLou.io。

这个项目的核心，就是让一块硬件脱离手机，独立完成番茄工作法的计时任务。你不需要去点屏幕上的按钮，直接对着它说“开始一个25分钟的番茄钟”或者“休息5分钟”，它就能听懂并执行。XIAO ESP32S3 Sense板载的麦克风负责拾音，ESP32-S3芯片运行语音识别模型，结果通过那块小巧的圆形LCD显示出来，时间流逝用进度条或者数字变化来呈现，一目了然。整个开发过程我选择了CircuitPython，因为它对硬件外设的驱动和网络功能封装得极好，用Python写起来快，调试也方便，特别适合这种软硬件结合的原型开发。

做这个东西，适合两类朋友：一是想找个有趣项目入门物联网和嵌入式AI的开发者，你能接触到语音唤醒、关键词识别、硬件UI绘制等一整套流程；二是像我一样，受困于数字干扰，想打造一个极简、高效的实体生产力工具的用户。它摆在你桌上，就是一个专注的象征，通过最自然的语音交互，帮你守住那25分钟的心流时间。

2. 硬件选型与核心组件解析

2.1 为什么是XIAO ESP32S3 Sense？

选择这块板子作为核心，是经过一番考量的。市面上能跑AI模型的MCU不少，但XIAO ESP32S3 Sense在尺寸、功能和易用性上达到了一个很好的平衡点。

首先看核心芯片ESP32-S3。它是一颗双核Xtensa LX7处理器，主频高达240MHz，最关键的是内置了向量指令集，能够加速神经网络计算。对于我们这个需要实时进行语音关键词识别的应用来说，本地计算的低延迟至关重要。你总不想说完指令后等上两三秒才有反应，那体验就毁了。ESP32-S3的性能足以在本地流畅运行一个轻量化的语音识别模型，无需连接云端，既保护了隐私，也保证了响应速度。

其次是集成的硬件。板子自带一个数字麦克风（PDM），这省去了外接麦克风模块的麻烦，电路更简洁，拾音效果也经过原厂调试。显示部分，我搭配了Seeed专门为XIAO系列设计的1.28英寸圆形LCD屏。这块屏通过SPI接口驱动，分辨率是240x240，显示个计时界面、进度条绰绰有余，圆形的外观也比方屏更有设计感。板载的锂电池充电管理电路是另一个亮点，这意味着你可以用一块常见的3.7V锂电池供电，让整个设备完全无线化，随意摆在书桌的任何角落。

最后是生态。Seeed为这块板子提供了完善的CircuitPython固件和支持库，像显示驱动、麦克风读取、Wi-Fi等功能都有现成的 adafruit 或 seeed 系列库可用，极大降低了开发门槛。你不需要从零开始写底层驱动，可以把精力集中在应用逻辑和交互设计上。

2.2 外围电路与供电设计

虽然核心板功能强大，但要成为一个独立的桌面设备，还需要考虑供电和交互。我的方案是使用一块容量在500mAh到1000mAh之间的软包锂电池。这个容量足以保证设备在中等亮度下连续工作一整天以上。充电则通过XIAO ESP32S3 Sense板载的Type-C接口完成，非常方便。

注意：在选择锂电池时，务必确认其带有保护板。这能防止电池过充、过放和短路，是安全使用的基本保障。不要为了省几块钱而使用“光板”电芯。

为了提升交互体验，我额外增加了一个物理按键和一个蜂鸣器。按键用于强制复位、切换模式或在语音识别不理想时作为备用输入。蜂鸣器则用于提供听觉反馈，例如番茄钟开始、结束时的提示音。这些元件都非常简单，按键接在某个GPIO上并启用内部上拉电阻，蜂鸣器则接在另一个GPIO上通过PWM驱动。整个系统的结构非常清晰：电池供电给XIAO主板，主板驱动屏幕、麦克风、按键和蜂鸣器，形成一个完整的交互闭环。

3. 软件开发环境与核心库搭建

3.1 CircuitPython固件刷写与基础环境

第一步是让开发板跑起CircuitPython。你需要从CircuitPython官网下载针对 Seeed Studio XIAO ESP32S3 Sense 的最新版本固件（.uf2文件）。刷写过程很简单：

1. 用USB线连接板子和电脑。
2. 快速双击板子上的复位按钮，这时电脑上会出现一个名为 XIAO-SENSE 的U盘。
3. 将下载好的 .uf2 文件拖入这个U盘。U盘会自动弹出，板子重启后就会进入CircuitPython环境。

完成后，电脑上会出现一个新的名为 CIRCUITPY 的U盘，这就是板子的文件系统。你的所有代码和库文件都将放在这里。接下来，需要安装必要的库。打开CircuitPython的库捆绑包（Bundle），找到并拷贝以下库文件到 CIRCUITPY 盘的 lib 文件夹下：

• adafruit_bus_device ：基础总线设备支持。
• adafruit_display_text 和 adafruit_display_shapes ：用于在屏幕上显示文本和图形（如圆形进度条）。
• adafruit_imageload ：如果需要显示位图图标。
• seeed-studio 或 adafruit_esp32s3tft 中对应你屏幕型号的驱动库（例如 seeed_xiao_round_display ）。
• adafruit_pioasm ：某些高级功能可能需要。
• 最重要的是语音识别相关的库。这里我使用了 EloquentTinyML 库的一个简化版本，或者使用Espressif官方提供的 esp-sr 在CircuitPython上的移植库，用于关键词识别（Keyword Spotting, KWS）。

实操心得：管理 lib 文件夹时，最好只拷贝项目必需的库。CircuitPython的设备内存有限，过多的库文件可能导致内存不足，运行时出现 MemoryError 。如果遇到奇怪的内存错误，首先检查 lib 目录是否过于臃肿。

3.2 语音识别引擎的选择与集成

本地语音识别是本项目的技术核心。对于“开始”、“休息”、“停止”这样的简单指令，我们不需要复杂的连续语音识别，关键词识别（KWS）就足够了。KWS模型体积小、计算量低，非常适合在ESP32-S3上运行。

我测试了两种方案。一种是使用Espressif官方MFCC+神经网络方案，它需要先将模型转换为TensorFlow Lite Micro格式，然后集成到CircuitPython中。这个过程对新手有些复杂，但识别效率和准确率很高。另一种是使用现成的、更简单的库，比如针对几个特定关键词训练的轻量模型。对于原型开发，我建议先从后者开始。

例如，你可以使用一个预先训练好的、能识别“Start”、“Break”、“Stop”三个英文关键词的模型文件（通常是一个 .tflite 或 .bin 文件）。将这个模型文件放入 CIRCUITPY 盘。在代码中，你需要初始化麦克风，持续采集音频数据（例如以16kHz采样率），然后按帧（比如每1秒）送入模型进行推理。模型会输出一个得分数组，对应每个关键词的置信度。当某个关键词的置信度超过阈值（如0.7），就认为识别成功，触发相应的计时器动作。

# 伪代码示例：语音识别循环
import audiobusio
import board
from your_kws_library import KeywordSpotter

# 初始化麦克风
mic = audiobusio.PDMIn(board.MICROPHONE_CLOCK, board.MICROPHONE_DATA, sample_rate=16000, bit_depth=16)
kws = KeywordSpotter(model_path="/model.kws")

audio_buffer = bytearray(32000)  # 2秒的音频缓冲区
while True:
    mic.record(audio_buffer, len(audio_buffer)) # 录音
    keyword, confidence = kws.predict(audio_buffer) # 预测
    if confidence > 0.7:
        if keyword == "start":
            start_pomodoro(25*60) # 开始25分钟番茄钟
        elif keyword == "break":
            start_timer(5*60) # 开始5分钟休息
        # ... 其他关键词处理

这个过程的关键在于调整音频采样参数和模型推理的阈值，需要在识别率和误触发率之间找到平衡。在安静环境下，阈值可以设低一些以提高灵敏度；在嘈杂环境下，则需要提高阈值以避免误触发。

4. 番茄钟计时逻辑与状态机设计

4.1 计时器核心状态流转

一个标准的番茄钟包含两种主要状态：“工作”和“短休息”，完成多个番茄钟后会有“长休息”。我们需要用一个清晰的状态机来管理。我设计了以下几个状态：

1. 空闲（IDLE） ：初始状态，屏幕显示待机界面，等待语音指令。
2. 工作中（WORKING） ：25分钟倒计时开始。此时不应响应“开始”指令，但应响应“停止”或“暂停”。
3. 暂停（PAUSED） ：工作中途手动暂停。保留剩余时间，可恢复。
4. 短休息（SHORT_BREAK） ：5分钟倒计时。
5. 长休息（LONG_BREAK） ：15或20分钟倒计时，通常在完成4个番茄钟后触发。

状态之间的转换由事件驱动，事件来源包括：语音识别结果、物理按键（如暂停/继续）、以及计时器自身的超时信号。例如：

• 语音识别到“开始” + 当前状态为IDLE -> 进入 WORKING 状态，启动25分钟倒计时。
• WORKING状态倒计时归零 -> 进入 SHORT_BREAK 状态，启动5分钟倒计时，并播放提示音。
• 语音识别到“停止” + 当前状态为WORKING或BREAK -> 取消当前计时，返回 IDLE 状态。

用代码实现时，可以定义一个全局状态变量和一个处理状态转换的函数。每次事件发生时，都根据当前状态和事件类型来决定下一个状态和要执行的动作（如启动新计时器、更新屏幕、播放声音）。

4.2 时间管理与显示更新

计时精度很重要，但CircuitPython本身不是实时操作系统， time.monotonic() 函数返回的是自开机以来的秒数（浮点数），精度足够我们做分钟级的倒计时。我的做法是：

1. 在进入 WORKING 等计时状态时，记录开始时间戳： start_time = time.monotonic() ，并设定时长 duration = 25 * 60 （秒）。
2. 在主循环中，计算已流逝时间： elapsed = time.monotonic() - start_time 。
3. 剩余时间： remaining = max(duration - elapsed, 0) 。
4. 将 remaining 转换为分钟和秒，用于显示。
5. 当 remaining <= 0 时，触发状态转换事件。

显示更新需要平衡刷新频率和功耗。我们不需要每秒刷新60次。我的策略是：

• 在倒计时阶段，每秒更新一次时间数字。
• 进度条（一个逐渐填充或收缩的圆环）可以每5秒或10秒更新一次，视觉上足够平滑。
• 在状态切换（如工作结束进入休息）时，立即重绘整个界面。

屏幕布局设计上，圆形屏幕中央显示大大的剩余时间（如“24:35”），外围用圆环进度条直观展示总时间的消耗比例。状态信息（如“工作中”、“休息中”）用较小的字体显示在顶部或底部。界面配色上，工作状态我用红色系（代表专注、紧张），休息状态用绿色系（代表放松）。

5. 用户交互优化与功能扩展

5.1 多模态反馈与误触发处理

一个好的交互设计不能只依赖单一通道。语音控制虽然方便，但必须有明确的多模态反馈，让用户知道设备“听到了”并且“理解了”。

• 视觉反馈 ：当麦克风检测到音量超过阈值（可能用户在说话）时，屏幕边缘可以显示一个跳动的小点。当关键词识别成功时，整个屏幕可以快速闪烁一下或改变颜色（如变亮再恢复）。
• 听觉反馈 ：识别成功时，通过蜂鸣器发出一个简短的、悦耳的确认音（例如一个高音“嘀”声）。计时结束时，播放一段不同的、更醒目的提示音（例如一段旋律）。
• 触觉反馈 ：如果有空间，加入一个微型振动马达会更好，但本项目为简化未加入。

误触发是语音交互的常见问题。除了前面提到的调整置信度阈值，还可以加入简单的逻辑屏蔽：

• 静默期 ：在一次识别成功后，设置一个1-2秒的静默期，在此期间忽略所有语音输入，防止同一指令被重复触发。
• 上下文过滤 ：例如，在“工作中”状态，忽略“开始”指令；在“休息中”状态，忽略“休息”指令。
• 能量阈值 ：在音频送入模型前，先计算其能量（音量），过低则直接丢弃，避免环境底噪被误识别。

5.2 高级功能与未来扩展思路

基础功能实现后，可以考虑一些增强功能，让这个小设备更智能：

1. 番茄计数与统计 ：在文件系统中创建一个简单的日志文件（如 log.csv ）。每完成一个番茄钟，就记录下日期、开始时间、时长。CircuitPython可以读写 CIRCUITPY 盘上的文件。这样，你就能回顾自己的专注历史。
2. Wi-Fi网络同步 ：利用ESP32-S3的Wi-Fi功能，在每次番茄钟结束后，将数据通过HTTP POST发送到一个指定的服务器（如自己搭建的简易API，或云服务如Google Sheets）。这可以实现跨设备的数据汇总和分析。
3. 个性化语音训练 ：如果使用的语音识别框架支持，可以增加一个“训练模式”。长按物理按键进入该模式，然后让用户重复说几遍“开始”、“休息”等指令，设备在本地微调模型，从而更好地适应你的声音和口音，大幅提升识别率。
4. 屏幕亮度自适应 ：通过光敏电阻或某些开发板上的环境光传感器，自动调节屏幕亮度，夜间使用不刺眼，白天则清晰可见。
5. OTA无线更新 ：通过Wi-Fi实现固件和代码的无线更新，这样修复bug或增加新功能时，就不必再插拔USB线了。

这些扩展功能会涉及更复杂的编程，如网络请求、文件操作、更复杂的状态管理，但它们展示了从一个小原型演进为一个真正实用产品的完整路径。

6. 系统集成、调试与问题排查

6.1 代码模块化与主循环结构

当所有功能都开发完成后，需要将它们整合到一个稳定、高效的主循环中。我的代码结构大致如下：

# main.py 结构概览
import time
import board
import displayio
from audiobusio import PDMIn
# ... 导入其他必要的库

# 1. 初始化硬件
display = init_display()
mic = init_microphone()
buzzer = init_buzzer()
button = init_button()

# 2. 初始化状态机和计时器
current_state = State.IDLE
pomodoro_count = 0
timer_start_time = 0
timer_duration = 0

# 3. 加载语音识别模型
kws = load_kws_model()

# 4. 主显示组
main_group = displayio.Group()
# ... 创建并添加文本、图形对象到main_group
display.show(main_group)

# 5. 主循环
last_display_update = 0
audio_buffer = bytearray(16000 * 2)  # 2秒的缓冲区

while True:
    now = time.monotonic()
    
    # A. 处理物理按键（去抖动后）
    if button_pressed():
        handle_button_event(current_state)
    
    # B. 处理语音输入（非阻塞式）
    if mic.available() >= len(audio_buffer):
        mic.record(audio_buffer, len(audio_buffer))
        keyword, conf = kws.predict(audio_buffer)
        if conf > THRESHOLD:
            current_state = handle_voice_event(current_state, keyword)
    
    # C. 更新计时器逻辑
    if current_state in [State.WORKING, State.SHORT_BREAK, State.LONG_BREAK]:
        remaining = timer_duration - (now - timer_start_time)
        if remaining <= 0:
            # 计时结束，触发状态转换和提示音
            current_state = handle_timer_finish(current_state)
            play_sound(buzzer, SOUND_FINISH)
        # 按需更新显示（例如每秒一次）
        if now - last_display_update >= 1.0:
            update_display(main_group, current_state, remaining)
            last_display_update = now
    
    # D. 短暂休眠以降低功耗（非必须，但有益）
    time.sleep(0.01)  # 10ms

这个循环确保了按键响应、语音监听、计时更新和屏幕刷新都能得到及时处理，同时又通过微小休眠降低了CPU占用率。

6.2 常见问题与调试技巧实录

在开发过程中，我遇到了不少坑，这里记录下最典型的几个及其解决方法：

问题1：语音识别完全没反应，或者置信度始终为0。

• 排查步骤 ：
  1. 检查麦克风硬件 ：先写一个简单的测试程序，将麦克风录制的原始数据通过串口打印出幅度，或者存成WAV文件在电脑上播放，确认麦克风本身是否工作、音量是否正常。
  2. 检查音频格式 ：确认代码中设置的采样率（如16kHz）、位深度（如16-bit）与模型训练时使用的格式完全一致。不匹配是导致识别失败的常见原因。
  3. 检查模型加载 ：确认模型文件路径正确，且文件没有损坏。尝试在模型初始化后打印一些简单信息，确保库被正确导入。
  4. 环境噪声 ：在过于安静或嘈杂的环境下，识别效果都可能变差。可以尝试增加一个简单的VAD（语音活动检测），只在检测到人声时才将音频送入模型。

问题2：屏幕闪烁、花屏，或者更新后残留上一帧图像。

• 原因与解决 ：这通常是显示刷新逻辑问题。在CircuitPython的 displayio 中，当你修改了显示组（Group）中的元素（如文本的 .text 属性、形状的位置）后，需要“刷新”显示。
  • 确保所有对显示对象的修改都在主循环中进行。
  • 对于频繁更新的文本，考虑使用 label.text = f"{min:02d}:{sec:02d}" 这样的方式直接更新，而不是先移除再添加。
  • 如果使用了多个Group进行页面切换，在切换时确保正确调用 display.show(new_group) ，并等待显示刷新完成（可以加一个短暂的 time.sleep(0.05) ）。
• 内存不足 ：如果画面复杂，更新时可能因内存不足而失败。尝试简化图形，或使用 displayio.release_displays() 在切换页面时释放资源（需谨慎）。

问题3：设备运行一段时间后死机或重启。

• 首要怀疑对象：内存泄漏 。CircuitPython有垃圾回收，但如果你在循环中不断创建新的对象（如新的显示对象、新的数组），而没有及时解除引用，内存会被慢慢耗尽。
  • 检查方法 ：在循环中定期打印 gc.mem_free() ，观察可用内存是否持续下降。
  • 解决方法 ：将需要重复使用的对象（如音频缓冲区、显示元素）在循环外一次性创建好，在循环内只修改其内容，而非重新创建。
• 电源问题 ：如果使用电池供电，在电机（如振动马达）启动或屏幕背光全亮时，可能产生瞬时电压跌落，导致MCU复位。可以在电源输入端并联一个大电容（如100µF）来缓冲。

问题4：按键响应不灵或连击。

• 软件去抖动 ：这是必须的。最简单的做法是在检测到按键按下后，延时50ms再读取一次引脚状态，如果仍然是按下，才认为是有效按键。

  def debounced_button_press(pin):
      if not pin.value:  # 假设按下为低电平
          time.sleep(0.05)  # 延时50ms
          if not pin.value:  # 再次确认
              return True
      return False
  

• 硬件去抖动 ：如果软件效果不佳，可以在按键引脚和地之间并联一个0.1µF的电容。

问题5：电池续航远低于预期。

• 屏幕背光是耗电大户 ：尝试降低屏幕亮度。很多屏幕驱动库支持 brightness 属性，将其设置为0.3到0.5通常就能在室内看清，同时大幅省电。
• 优化主循环 ：在循环末尾增加一个 time.sleep(0.05) 甚至更长，可以显著降低CPU占用率。但要确保睡眠时间不会影响语音监听的实时性（可以将音频采集放在睡眠前，或使用中断）。
• 关闭未用外设 ：如果暂时不用Wi-Fi，确保其已断开连接并进入睡眠模式。

最后，调试嵌入式项目，串口打印（ print 语句）是你最好的朋友。将关键变量（如识别到的关键词、置信度、当前状态、剩余时间、空闲内存）打印出来，能帮你快速定位问题所在。当项目稳定后，再移除或禁用这些调试输出以提升性能。