ESP32-S3-BOX 智能语音助手系统——流式语音对话与表情显示全攻略

ESP32-S3-BOX 智能语音助手系统——流式语音对话与表情显示全攻略

一、项目概述

1.1 项目背景

ESP32-S3-BOX-3 是乐鑫科技推出的新一代 AIoT 开发套件，搭载 ESP32-S3 双核处理器（主频 240MHz）、16MB Quad Flash、16MB Octal PSRAM，并板载 2.4 英寸 320×240 分辨率的电容触摸屏、双数字麦克风、扬声器等硬件资源。这些丰富的硬件配置使其成为开发 AI 语音交互产品的理想平台。

本项目在 ESP32-S3-BOX-3 硬件平台上，构建一套完整的智能语音对话系统，实现与后端 ASR（语音识别）、TTS（语音合成）和微调模型的实时交互。核心需求包括：

• 开机自启动：上电后自动连接网络并开始运行
• 持续眨眼表情：从开机到对话全程显示眨眼动画
• 流式对话：无需唤醒词、无需按键触发，保持连续的语音交互
• 开关机键：提供物理按键控制系统开关

1.2 技术架构

系统整体架构分为三层：

硬件层：ESP32-S3-BOX-3 开发板，包括 I2S 音频接口（麦克风输入 + 扬声器输出）、SPI 显示屏（LVGL GUI）、GPIO 按键（开关机控制）

<