树莓派Zero离线语音识别实战：硬件配置、软件方案与性能优化

1. 项目概述：在树莓派 Zero 上挑战语音识别的极限

语音转文字，听起来像是大公司云端服务器的专属游戏，需要堆砌大量的计算资源。但如果你手头只有一块信用卡大小、功耗不到2瓦的树莓派 Zero，是不是就只能望而却步了？恰恰相反，这正是极客的乐趣所在——用最有限的资源，去实现看似不可能的任务。今天，我们就来深入聊聊，如何在这块售价仅几十美元的小板子上，搭建一个实用的离线语音识别系统。这不仅仅是“能不能跑起来”的问题，更是如何在性能、精度和实用性之间找到那个微妙的平衡点。整个过程涉及硬件选型、系统调优、软件方案对比以及大量的实战避坑经验，我会把每一步的思考过程和踩过的坑都摊开来讲清楚。

2. 核心硬件准备与音频子系统配置

要让树莓派 Zero “听见”并“说出”声音，第一步是解决它天生的“残疾”——没有内置的音频输入输出接口。这看似是个短板，实则给了我们极大的灵活性去构建一个定制化的音频方案。

2.1 音频输出：从 GPIO 引脚“榨取”声音

树莓派 Zero 本身没有 3.5mm 音频接口，官方推荐是通过 HDMI 输出音频到显示器或电视。但这对于需要独立扬声器的项目来说很不方便。一个鲜为人知但极其有效的技巧是利用树莓派的 PWM（脉冲宽度调制）GPIO 引脚来模拟音频输出。

原理与操作：树莓派的 BCM2835 芯片（Zero 和 Zero 2W 的核心）支持通过 PWM 引脚生成模拟波形。通过加载一个名为audremap的设备树覆盖层，我们可以将音频信号路由到指定的 GPIO 引脚上。具体来说，pins_18_13这个参数表示使用 GPIO 18（左声道）和 GPIO 13（右声道）。你需要在/boot/config.txt文件末尾添加一行dtoverlay=audremap,pins_18_13，然后重启。重启后，这两个引脚就会输出微弱的音频信号。

注意：这个音频信号是未经放大的，电压摆幅只有 3.3V，驱动能力很弱，无法直接推动耳机或扬声器。它必须连接到一个音频放大器上。

硬件连接实战：我选择 PAM8403 这款微型 D 类音频放大器模块，原因有三：一是价格极其低廉（约1美元）；二是效率高，发热小，适合嵌入式场景；三是它虽然标称5V供电，但在3.3V下也能正常工作，正好可以直接从树莓派的 3.3V 引脚取电，简化了供电设计。连接方式非常简单：将 GPIO 18 和 13 分别连接到 PAM8403 的左右声道输入，树莓派的 3.3V 和 GND 连接到模块的 VCC 和 GND，最后将一个小型 4Ω 或 8Ω 的扬声器接到模块的输出端即可。实测下来，在安静环境下，其音量足以满足监听需求。

2.2 音频输入：USB 麦克风的选型与避坑

对于语音识别，麦克风的质量直接决定了识别的上限。树莓派 Zero 只有一个 Micro-USB OTG 端口用于连接外设，因此我们必须使用 USB 麦克风。

选型心得：

1. 免驱兼容性优先：务必选择支持 UAC 1.0 或 UAC 2.0 标准且免驱的 USB 麦克风。很多昂贵的直播麦克风反而不如一个普通的 USB 会议麦克风兼容性好。我手头一个十几美元的“蓝色雪球”兼容款，在 Pi Zero 上即插即用，效果稳定。
2. 供电考量：树莓派 Zero 的 USB 端口供电能力有限（约 500mA）。复杂的、带灯效的 USB 麦克风可能会供电不足，导致设备无法识别或系统不稳定。选择结构简单的麦克风更可靠。
3. 实战测试命令：插入麦克风后，立即在终端运行arecord -l命令。你应该能看到类似card 1: Device [USB Audio Device], device 0: USB Audio [USB Audio]的列表。记下 card ID（例如1）和 device ID（例如0），后续录音命令会用到。

一个关键陷阱：有些 USB 声卡（带麦克风输入的那种）在 Pi Zero 上可能会被识别为“双工”设备，但实际使用中，录音和播放可能会产生冲突，导致系统音频服务异常。如果遇到奇怪的问题，尝试在/etc/asound.conf或用户目录下的.asoundrc文件中进行更详细的配置，或者优先使用独立的 USB 麦克风和前述的 GPIO 音频输出方案，将输入输出物理分离，往往能省去很多麻烦。

2.3 物料清单与成本控制

遵循极客的“性价比”原则，整个项目的核心硬件成本可以压缩到极低：

总计完全可以控制在 35 美元以内。你会发现，最大的成本依然是树莓派本身。这意味着，一旦你拥有了这块板子，增加语音识别能力的边际成本非常低。

3. 软件方案选型与深度实战

硬件就绪后，软件才是真正的战场。在 Pi Zero 这种资源受限的设备上，没有“最好”的方案，只有“最合适”的方案。我们需要在识别精度、响应速度、资源占用和易用性之间做权衡。

3.1 方案一：PocketSphinx —— 轻量级离线识别的起跑线

PocketSphinx 是 CMU Sphinx 开源语音识别工具包的轻量级版本，以其小巧和完全离线运行著称。它主要基于隐马尔可夫模型，对英文的支持相对成熟。

安装与初体验：

sudo apt update sudo apt install -y python3-pocketsphinx pocketsphinx-en-us

或者通过 pip 安装 Python 绑定：pip install pocketsphinx。

一个最基本的实时识别 Python 脚本如下：

from pocketsphinx import LiveSpeech speech = LiveSpeech() print("开始监听...（按 Ctrl+C 停止）") for phrase in speech: print(f"识别结果: {phrase}")

实战评价与局限： 在 Pi Zero 2W 上运行这段代码，你能立刻感受到什么是“资源受限”。识别过程本身占用 CPU 不高，但延迟感非常明显。它更适合于识别孤立的、清晰的命令词（如 “start”, “stop”, “left”），对于连续的自然语言对话，漏词、错词的情况会显著增加。它的价值在于提供了一个本地化的、隐私安全的基线方案。对于智能家居的简单语音控制（比如“开灯”、“关窗帘”），经过特定的声学模型和语言模型优化后，PocketSphinx 仍是一个可选项。但对于需要转录会议、对话的场景，它就显得力不从心了。

3.2 方案二：Spchcat —— “作弊”式移植的离线转录利器

Spchcat 是 Pete Warden 开发的一个基于 TensorFlow Lite 的命令行语音识别工具。它最大的优势是支持多达 46 种语言模型，并且识别精度相对于 PocketSphinx 有显著提升。然而，它有一个巨大的“拦路虎”：完整的安装包超过 1.2GB，并且编译安装需要大量内存和计算资源，Pi Zero 直接安装几乎必然失败。

“作弊”安装法： 这正是体现极客智慧的地方。既然 Pi Zero 装不上，我们就利用更强大的设备来帮它完成。

1. 在 PC 或树莓派 4/5 上操作：将准备用于 Pi Zero 的 TF 卡通过读卡器插入这台高性能机器。
2. 下载并安装到 TF 卡：在这台机器上，从 GitHub 发布页下载spchcat的.deb安装包，然后使用sudo dpkg -i --root=<TF卡系统根目录路径> spchcat_0.0-2_armhf.deb命令，将软件直接安装到 TF 卡的文件系统中。这个过程大约需要20-30分钟。
3. 移回 Pi Zero：安装完成后，安全弹出 TF 卡，插回 Pi Zero 并启动。spchcat就已经静静地躺在系统里了。

使用与效果： Spchcat 是一个命令行工具，它主要处理已录制的 WAV 文件：

# 转录一个 WAV 文件到屏幕 spchcat /path/to/your/audio.wav # 将转录结果保存到文本文件 spchcat /path/to/your/audio.wav > transcript.txt

为了测试，你可以从 Coqui STT 等项目页面下载标准的测试音频样本。实测发现，对于发音清晰、背景噪音低的 16kHz、16bit 单声道 WAV 文件，Spchcat 在 Pi Zero 上的转录准确率相当可观，足以应付一些离线转录任务，比如将一段采访录音转为文字草稿。它的缺点是无法实时流式识别，只能先录音后转录，这限制了其在交互式场景中的应用。

3.3 方案三：SpeechRecognition 库 + Google STT —— 精度与便利性的折中

SpeechRecognition 是一个 Python 库，它封装了包括 Google Web Speech API、Sphinx、Wit.ai 在内的多种语音识别引擎的后端。其中，通过它调用 Google 的语音识别服务（需要网络），可以获得商用级的识别精度。

安装与网络配置：

pip install SpeechRecognition

安装非常简单，但关键在于 Pi Zero 必须连接到互联网。你需要确保 Wi-Fi 配置正确（对于 Zero 2W）或通过 USB 网卡联网。

核心代码模式： 对于 Pi Zero，最稳定的模式是“录音-停止-识别”，而非持续的流式监听。因为网络请求和音频处理对 Zero 来说仍是较重负载，分段处理更可靠。

import speech_recognition as sr def recognize_speech_from_mic(recognizer, microphone, duration=5): """录制一段音频并进行识别""" # 调整麦克风环境噪声 with microphone as source: print("正在调整环境噪声，请保持安静...") recognizer.adjust_for_ambient_noise(source, duration=1) print(f"开始录音，时长 {duration} 秒...") audio = recognizer.record(source, duration=duration) # 尝试使用 Google Web Speech API 识别 try: print("正在识别...") text = recognizer.recognize_google(audio, language='zh-CN') # 可改为 en-US 等 return text except sr.RequestError: return "API 服务错误" except sr.UnknownValueError: return "无法识别音频" if __name__ == "__main__": r = sr.Recognizer() mic = sr.Microphone(device_index=1) # 设备索引需通过 `sr.Microphone.list_microphone_names()` 确认 while True: result = recognize_speech_from_mic(r, mic, duration=7) print(f"识别结果: {result}") # 这里可以加入触发其他操作的逻辑

这段代码会每轮录制 7 秒音频，然后发送到 Google 进行识别。虽然因为有网络延迟而不够“实时”，但对于很多问答式、指令式的场景（比如语音助手问答），这个延迟是可接受的，且识别精度远超本地方案。

4. 项目代码深度解析与优化技巧

仅仅让代码跑起来是不够的，在 Pi Zero 上，每一行代码都需要考虑效率。下面我拆解几个关键脚本，并分享优化心得。

4.1 离线文件转录脚本解析

sr3.py这类脚本的核心价值在于自动化处理大量已存在的音频文件。假设我们有一个包含多个 WAV 文件的文件夹，需要批量转写成文本。

import os import speech_recognition as sr from pydub import AudioSegment # 需要安装 pydub 和 ffmpeg: `sudo apt install ffmpeg && pip install pydub` def transcribe_audio_file(file_path, language='en-US'): """转录单个音频文件""" r = sr.Recognizer() # 支持多种格式转换，pydub 很强大 try: audio = AudioSegment.from_file(file_path) # 转换为单声道、16kHz、16bit的WAV格式，这是大多数引擎的推荐格式 audio = audio.set_channels(1).set_frame_rate(16000).set_sample_width(2) # 导出为临时WAV文件供SpeechRecognition处理 temp_wav = "temp_converted.wav" audio.export(temp_wav, format="wav") with sr.AudioFile(temp_wav) as source: audio_data = r.record(source) text = r.recognize_google(audio_data, language=language) os.remove(temp_wav) return text except Exception as e: print(f"处理文件 {file_path} 时出错: {e}") return None def batch_transcribe(input_folder, output_folder): """批量转录文件夹内的音频文件""" os.makedirs(output_folder, exist_ok=True) supported_formats = ('.wav', '.mp3', '.flac', '.m4a') for filename in os.listdir(input_folder): if filename.lower().endswith(supported_formats): input_path = os.path.join(input_folder, filename) print(f"正在处理: {filename}") transcript = transcribe_audio_file(input_path, language='zh-CN') if transcript: output_filename = os.path.splitext(filename)[0] + '.txt' output_path = os.path.join(output_folder, output_filename) with open(output_path, 'w', encoding='utf-8') as f: f.write(transcript) print(f" 已保存至: {output_filename}") else: print(f" 转录失败。") if __name__ == "__main__": batch_transcribe('/home/pi/audio_files', '/home/pi/transcripts')

优化要点：

1. 格式统一化：pydub库能处理多种音频格式，但务必在识别前统一转换为引擎推荐的格式（如16kHz, 16bit, 单声道WAV），这能显著提高识别成功率并减少错误。
2. 资源清理：在循环中创建临时文件后，一定要记得删除（os.remove），否则 Pi Zero 有限的存储空间很快会被撑满。
3. 异常处理：网络请求可能超时，文件可能损坏，完善的try...except能让脚本长时间稳定运行，不会因单个文件问题而崩溃。

4.2 定时录音转录脚本解析

sr4.py代表了一类更实用的交互模式：按下按钮（或收到信号）开始录音，固定时长后自动停止并识别。这非常适合制作一个便携的“语音笔记”或“对话记录器”。

import speech_recognition as sr import time from datetime import datetime class IntervalTranscriber: def __init__(self, device_index=None, record_seconds=10, language='en-US'): self.recognizer = sr.Recognizer() self.microphone = sr.Microphone(device_index=device_index) self.record_seconds = record_seconds self.language = language self._setup_mic() def _setup_mic(self): """初始化麦克风并校准噪声""" with self.microphone as source: print("正在进行噪声校准，请保持环境安静...") # 动态调整阈值，适应不同环境 self.recognizer.dynamic_energy_threshold = True self.recognizer.adjust_for_ambient_noise(source, duration=1) print(f"校准完成。能量阈值设置为: {self.recognizer.energy_threshold}") def record_and_transcribe(self): """执行一次录音和识别循环""" with self.microphone as source: print(f"[{datetime.now().strftime('%H:%M:%S')}] 录音中... ({self.record_seconds}秒)") audio = self.recognizer.record(source, duration=self.record_seconds) print("录音结束，开始识别...") try: text = self.recognizer.recognize_google(audio, language=self.language) timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") result = f"[{timestamp}] {text}" print(f"识别结果: {text}") # 追加写入日志文件 with open('/home/pi/voice_log.txt', 'a', encoding='utf-8') as f: f.write(result + '\n') return text except sr.UnknownValueError: print("Google Speech Recognition 无法理解音频") return None except sr.RequestError as e: print(f"无法从 Google Speech Recognition 服务获取结果；{e}") return None def run_loop(self, interval_seconds=30): """以固定间隔持续运行""" print(f"转录服务启动。每 {interval_seconds} 秒录制 {self.record_seconds} 秒。") try: while True: self.record_and_transcribe() # 计算等待时间，确保间隔固定 wait_time = interval_seconds - self.record_seconds if wait_time > 0: print(f"等待 {wait_time} 秒...\n") time.sleep(wait_time) except KeyboardInterrupt: print("\n服务已停止。") if __name__ == "__main__": # 首先列出麦克风设备，确定索引 # print(sr.Microphone.list_microphone_names()) transcriber = IntervalTranscriber(device_index=1, # 根据列表选择你的USB麦克风 record_seconds=8, language='zh-CN') # 识别中文 # 单次执行 # transcriber.record_and_transcribe() # 循环执行，每30秒录8秒 transcriber.run_loop(interval_seconds=30)

设计精髓与调优：

1. 动态能量阈值：dynamic_energy_threshold = True是关键。Pi Zero 可能在不同环境下使用，固定阈值可能导致无法开始录音或收录过多噪音。此设置让库自动适应环境音量。
2. 固定间隔调度：run_loop方法确保了“录音-识别-等待”的固定周期。这对于创建时间线清晰的语音日志非常重要。计算wait_time时减去了录音时长，确保了时间点的准确性。
3. 日志记录：所有识别结果都带时间戳追加到文件，形成了完整的记录，便于后续查阅和分析。
4. 设备索引：务必通过list_microphone_names()方法确认你的 USB 麦克风对应的索引号，这是很多错误（如IOError: No Default Input Device Available）的根源。

5. 系统级优化与性能压榨技巧

在 Pi Zero 上做语音识别，就像在一条小船上安装大马力引擎，必须对船体（系统）进行全方位优化，才能跑得稳。

5.1 操作系统与软件源优化

选择轻量级系统：放弃完整的 Raspberry Pi OS Desktop，改用Raspberry Pi OS Lite。这是一个没有图形界面的纯命令行系统，启动后内存占用仅 100MB 左右，为我们的应用留出了宝贵资源。

更换软件源：编辑/etc/apt/sources.list和/etc/apt/sources.list.d/raspi.list文件，将官方源archive.raspberrypi.org和deb.debian.org替换为国内镜像源（如清华源、中科大源）。这能使得安装软件包的速度提升十倍不止，尤其是在安装大型依赖时。

禁用不必要的服务：

sudo systemctl disable bluetooth.service sudo systemctl disable hciuart.service sudo systemctl disable avahi-daemon.service # 如果你不需要Wi-Fi，也可以禁用wpa_supplicant # sudo systemctl disable wpa_supplicant.service

蓝牙、Avahi（mDNS发现）等服务对语音识别毫无用处，却会占用 CPU 和内存。禁用它们可以释放系统资源。

5.2 内存与交换空间管理

Pi Zero 2W 只有 512MB 内存。运行 Python 脚本、加载语言模型时很容易内存不足。

启用 ZRAM：ZRAM 是一种将内存的一部分压缩后作为交换空间的技术，速度远快于 SD 卡上的交换文件。安装并配置 ZRAM 能有效防止内存耗尽导致的进程被杀死。

sudo apt install zram-tools

安装后通常会自动配置并启用。你可以使用sudo cat /proc/swaps查看，如果看到/dev/zram0类型为partition且已在使用，说明 ZRAM 已生效。

谨慎使用 Swapfile：如果确实需要，可以在高速的 SD 卡上创建一个交换文件，但注意这会加剧 SD 卡的磨损。

sudo dphys-swapfile swapoff sudo nano /etc/dphys-swapfile # 修改 CONF_SWAPSIZE=100 (单位MB) sudo dphys-swapfile setup sudo dphys-swapfile swapon

5.3 音频采集的稳定性保障

音频采集不稳定是语音识别失败的主要原因之一。

使用 arecord 进行底层测试与录制： 在依赖高级库之前，先用系统命令测试麦克风是否工作正常。

# 列出所有音频设备 arecord -l # 以标准格式录制一段10秒的测试音频（假设card 1, device 0） arecord -D plughw:1,0 -f S16_LE -r 16000 -d 10 test.wav # 播放测试录音 aplay test.wav

参数解释：-f S16_LE表示 16-bit 小端序（最常用），-r 16000表示 16kHz 采样率（对于语音识别足够，文件也小）。确保录制的test.wav声音清晰无杂音、无爆音。如果plughw设备有问题，可以尝试hw:1,0直接访问硬件，但兼容性可能更差。

在 Python 中指定正确的设备： 确保speech_recognition库使用了正确的设备索引。运行一个测试脚本列出所有设备：

import speech_recognition as sr print(sr.Microphone.list_microphone_names())

找到你的 USB 麦克风名称，记下它的索引号，在初始化Microphone对象时传入。

6. 典型应用场景构思与扩展思路

经过以上折腾，我们终于让 Pi Zero 具备了实用的语音识别能力。那么，它能做什么？以下是一些跳出“玩具”范畴的真实应用构思。

6.1 便携式跨语言沟通助手

想象一个这样的设备：一个装有 Pi Zero、电池、小屏幕和按钮的便携盒子。外国游客按下按钮，对着它说一句本国语（如日语），设备录制 8-10 秒，通过手机热点联网，调用 Google STT 将日语转为文本，再调用翻译 API（如 Google Translate）转为英文或中文，最后通过espeak-ng或屏幕显示出来。这比手机打开翻译 App 再切换模式要快得多，且操作单一，适合老人或紧急情况。

技术要点：需要集成翻译 API（如googletransPython 库），并设计一个简单的状态机（待机-录音-识别-翻译-播报/显示）来管理流程。功耗是关键，需要优化代码，在待机时让 CPU 进入低负载状态。

6.2 离线语音指令机器人控制器

对于教育或玩具机器人，我们可能不希望它依赖不稳定的网络。这时，可以结合PocketSphinx或本地化的Vosk（一个更现代的离线语音识别库，支持多种语言，比 PocketSphinx 精度高，但模型稍大）来识别有限的指令集。

实现路径：

1. 训练或下载一个小的、针对特定指令（“前进”、“后退”、“左转”、“拍照”）的语音模型。
2. 在 Pi Zero 上运行一个常驻的 Python 服务，持续监听麦克风。
3. 当识别到预设指令时，通过 GPIO 口发送特定的脉冲信号给机器人的电机驱动板，或者通过串口/UART 发送控制命令。

优势：完全离线，响应延迟可控（通常在 1-2 秒内），隐私安全。虽然只能识别有限词汇，但对于特定场景足够用了。

6.3 智能环境声音日志记录仪

这个应用不需要高精度的语音转文字，而是需要持续监听环境，并对特定声音事件做出反应。例如，用于家庭安防，识别玻璃破碎声、狗叫声或婴儿哭声；或者用于自然观测，记录特定鸟类的叫声。

技术栈变化：这里的主角不再是大型语音识别模型，而是TensorFlow Lite运行的轻量级音频分类模型。你可以使用Edge Impulse这样的在线平台，采集几百段目标声音（正样本）和环境噪声（负样本）进行训练，生成一个能在 Pi Zero 上运行的、仅几百 KB 的.tflite模型文件。

工作流：Pi Zero 持续录制 1 秒的音频片段，输入到 TFLite 模型中进行推理。当模型以高置信度识别出目标声音时，触发警报（如发送邮件、点亮 LED）或将带有时间戳的事件记录到日志中。这种方案的资源消耗远低于连续语音识别，可行性更高。

7. 常见问题排查与实战心得

在 Pi Zero 上做语音识别，你会遇到各种稀奇古怪的问题。下面是我总结的“排坑指南”。

7.1 音频设备问题

问题：arecord -l找不到 USB 麦克风。

• 排查：首先运行lsusb，查看 USB 设备列表中是否有你的麦克风。如果没有，可能是供电不足或硬件损坏。尝试更换 USB 线或使用带外部供电的 USB Hub。
• 解决：如果lsusb能看到，但arecord -l看不到，尝试重启alsa服务：sudo alsa force-reload。有时需要重新插拔设备。

问题：录音有巨大的电流声或爆音。

• 排查：这通常是接地环路或电源噪声。Pi Zero 的 USB 口和音频输出共用电源，质量差的电源适配器会引入噪声。
• 解决：1) 使用质量好的、输出纯净的 5V 电源。2) 尝试将 Pi Zero 和 USB 麦克风通过同一个有源 USB Hub 供电，切断直接的电源耦合。3) 在软件中尝试不同的采样格式和速率。

7.2 软件库与依赖问题

问题：安装pocketsphinx或SpeechRecognition时编译失败。

• 解决：Pi Zero（特别是 ARMv6 架构的初代 Zero）的兼容性是个大坑。最稳妥的方法是使用预编译的轮子。对于SpeechRecognition，它本身是纯 Python 的，问题不大。但对于某些依赖（如pyaudio），需要从专门为 ARMv6/7 预编译的源安装。可以尝试：

  sudo apt install python3-pyaudio

  如果 apt 源里的版本太旧，可以尝试用pip安装时指定--no-binary强制从源码编译，但这在 Zero 上非常耗时且可能失败。优先使用系统包管理器。

问题：运行spchcat提示 “Illegal instruction” 或 “Segmentation fault”。

• 解决：这几乎肯定是处理器架构不兼容。spchcat的.deb包可能是为 ARMv7（如 Pi 2/3/4）或 ARMv8（64位，如 Pi 3B+/4/5）编译的，而初代 Pi Zero 是 ARMv6。这就是为什么“作弊安装法”也可能失败的原因。唯一的办法是寻找明确支持 ARMv6 的预编译版本，或者在 Pi Zero 本机上从源码编译（这需要极大的耐心，可能需数小时，且需提前通过交换文件扩充内存）。

7.3 识别效果优化

问题：Google STT 识别中文效果很差。

• 排查：首先用arecord录制标准格式的音频，在电脑上用播放器听听是否清晰。然后检查代码中recognize_google的language参数是否设置为'zh-CN'（普通话）或'zh-TW'（台湾普通话）。
• 优化：
  1. 靠近麦克风：这是提升效果最直接的方法。
  2. 优化录音参数：在speech_recognition中，调整adjust_for_ambient_noise的duration参数（默认1秒），在安静环境下校准。也可以尝试在录音前手动设置recognizer.energy_threshold的值。
  3. 后处理：对于识别结果，可以接入一个简单的语言模型进行纠错，比如使用pinyin库和编辑距离算法，对易错的同音词进行纠正。

问题：离线识别（PocketSphinx/Vosk）词汇量有限，无法识别自定义词语。

• 解决：你需要构建自定义的字典和语言模型。
  1. 字典：一个将词汇映射到音素发音的文件。你可以从基础字典开始，添加你的新词及其发音（需要了解音标，如 ARPAbet）。
  2. 语言模型：描述词汇出现概率的文件。对于命令词，可以创建一个简单的语法文件（JSGF格式），规定合法的句子结构（如(打开 | 关闭) (灯 | 风扇)）。这能极大提高有限词汇集的识别准确率。 这个过程较为复杂，但网上有 PocketSphinx 和 Vosk 的详细教程。对于固定场景的指令识别，投入时间定制模型是值得的。

最后，我想说的是，在树莓派 Zero 上实现语音识别，更像是一场与硬件限制共舞的修行。它教会我们的不是追求极致的性能，而是在明确的边界内，通过巧妙的软硬件设计和细致的优化，将每一分算力、每一兆内存的价值发挥到最大。当你看到这个小小的、廉价的设备，终于能准确地理解你的指令并作出回应时，那种成就感远非在高性能服务器上运行一个现成模型所能比拟。这大概就是嵌入式开发的魅力所在吧。