Arduino ESP32与INMP441麦克风实战：基于I2S的实时语音识别代码详解

1次阅读

共计 2962 个字符，预计需要花费 8 分钟才能阅读完成。

ESP32 作为一款低成本、低功耗的 Wi-Fi/ 蓝牙双模芯片，凭借其双核处理能力与丰富的外设接口，成为物联网边缘计算的热门选择。INMP441 则是一款数字 MEMS 麦克风，通过 I2S 接口直接输出数字音频信号，避免了传统模拟麦克风所需的 ADC 转换环节。两者的结合为语音交互设备提供了理想的硬件基础，但实际开发中常遇到三个核心问题：

I2S 配置复杂：需同时考虑时钟同步、数据对齐、采样率匹配等参数
实时性要求高：语音识别需要稳定的数据流处理，但 ESP32 内存有限
算法资源占用：神经网络模型在 MCU 上的部署难度大

对比常见音频接口方案：

模拟接口（如 MAX4466）
优点：接线简单（仅 VCC/GND/OUT）
缺点：需要额外 ADC，易受电路噪声干扰
PDM 接口
优点：单线传输，节省引脚
缺点：需软件解码，消耗 CPU 资源
I2S 接口（本文方案）
优势：
- 硬件级数字信号传输
- 精准的时钟同步机制
- ESP32 原生支持（占用引脚少）
典型连接方式：
- BCK → GPIO14
- WS → GPIO15
- DATA → GPIO32
- L/ R 接地选择左声道

所需材料清单：

ESP32 开发板（如 NodeMCU-32S）
INMP441 模块（注意 3.3V 供电）
杜邦线若干

接线示意图：

INMP441      ESP32
  VCC   →   3.3V
  GND   →   GND
  SCK   →   GPIO14 (BCK)
  WS    →   GPIO15 (LRC)
  SD    →   GPIO32 (DATA)
  L/R   →   GND（固定左声道）

使用 Arduino 的 I2S 库进行参数设置：

#include <driver/i2s.h>

const i2s_port_t I2S_PORT = I2S_NUM_0;
const int samplingRate = 16000; // 16kHz 采样率

void setupI2S() {
  i2s_config_t i2s_config = {.mode = (i2s_mode_t)(I2S_MODE_MASTER | I2S_MODE_RX),
    .sample_rate = samplingRate,
    .bits_per_sample = I2S_BITS_PER_SAMPLE_32BIT,
    .channel_format = I2S_CHANNEL_FMT_ONLY_LEFT,
    .communication_format = I2S_COMM_FORMAT_I2S,
    .intr_alloc_flags = ESP_INTR_FLAG_LEVEL1,
    .dma_buf_count = 8,
    .dma_buf_len = 512
  };

  i2s_pin_config_t pin_config = {
    .bck_io_num = 14,
    .ws_io_num = 15,
    .data_in_num = 32,
    .data_out_num = I2S_PIN_NO_CHANGE
  };

  i2s_driver_install(I2S_PORT, &i2s_config, 0, NULL);
  i2s_set_pin(I2S_PORT, &pin_config);
}

关键参数说明：

dma_buf_len：直接影响延迟，建议 256-1024 范围
bits_per_sample：32 位模式兼容 INMP441 的 24 位数据（自动左对齐）

实现环形缓冲区数据读取：

#define SAMPLE_BUFFER_SIZE 1024
int32_t samples[SAMPLE_BUFFER_SIZE];

void readAudioData() {
  size_t bytesRead = 0;
  i2s_read(I2S_PORT, 
          &samples, 
          sizeof(samples), 
          &bytesRead, 
          portMAX_DELAY);

  int samplesRead = bytesRead / sizeof(int32_t);
  // 后续处理...
}

典型处理流程：

DC 偏移消除：

for(int i=0; i<samplesRead; i++){samples[i] -= 0x00800000; // 消除 24bit 数据的直流分量
}

归一化处理（可选）：

int32_t maxVal = 0;
for(int i=0; i<samplesRead; i++) {maxVal = max(maxVal, abs(samples[i]));
}
float scale = 1.0f / maxVal;

FFT 变换（需安装 ArduinoFFT 库）：

#include "arduinoFFT.h"
ArduinoFFT FFT;

double vReal[SAMPLE_BUFFER_SIZE/2];
double vImag[SAMPLE_BUFFER_SIZE/2];

// 填充数据...
FFT.Windowing(vReal, samplesRead, FFT_WIN_TYP_HAMMING);
FFT.Compute(vReal, vImag, samplesRead, FFT_FORWARD);
FFT.ComplexToMagnitude(vReal, vImag, samplesRead);

基于能量阈值的关键词检测：

bool detectKeyword() {
  float energy = 0;
  for(int i=0; i<samplesRead; i++) {energy += sq((float)samples[i] / INT32_MAX);
  }
  energy = sqrt(energy/samplesRead);

  static float silenceEnergy = 0.01; // 需校准
  return (energy > silenceEnergy * 5); // 5 倍静音能量视为有效语音
}

#include <driver/i2s.h>

// I2S 配置（同前文）// ...

void setup() {Serial.begin(115200);
  setupI2S();}

void loop() {readAudioData();

  if(detectKeyword()) {Serial.println("关键词检测!");
    // 触发后续动作...
  }
}