1. 为什么我选了ESP32-S3-N16R8来做这台麦金塔小机器人
1.1 从一堆吃灰的开发板里翻出这块模组
去年年底收拾工作台，翻出来好几块开发板，ESP8266、ESP32-C3、STM32F103，还有一块买了好久一直没动的ESP32-S3-N16R8。当时买它纯粹是因为看到参数眼馋：16MB Flash加8MB PSRAM，双核LX7跑到240MHz，还带向量指令，支持Wi-Fi和蓝牙5.0。这个配置放在桌面级AI机器人项目里，属于"杀鸡用牛刀"的级别，但恰恰是这种冗余让我后面省了很多事。
很多人做桌面小机器人第一反应是树莓派，理由很直接：Linux环境、Python生态、跑大模型方便。我一开始也这么想，但实际搭起来发现几个问题。树莓派Zero 2W跑一个语音唤醒加云端API调用，功耗在1.5W到2.5W之间，需要持续供电，电池方案要么笨重要么续航短。而且Linux启动慢，从通电到能响应语音指令，快的话也要二十多秒。桌面摆件这种东西，用户的心理预期是"碰一下就有反应"，不是等它开机。
ESP32-S3-N16R8的方案就完全不一样。上电到Wi-Fi连接完成、语音服务就绪，实测在3秒以内。深度睡眠模式下电流可以压到几十微安，用一块2000mAh的锂电池能撑好几天。最关键的是，8MB PSRAM让它可以缓存音频数据、跑轻量级的本地关键词识别模型，不需要所有东西都往云端扔。
1.2 麦金塔外壳不只是情怀，它解决了散热和结构问题
选麦金塔造型，一开始确实是情怀驱动。那个经典的方正造型、CRT屏幕的位置、软驱口的开口，放在桌面上辨识度极高。但真正动手之后发现，这个造型在工程上意外地合理。
麦金塔的机身厚度足够，内部空间能塞下一块3.7V锂电池、一个1.5英寸的圆形LCD、一个I2S数字麦克风、一个MAX98357功放模块和一个小尺寸扬声器。CRT屏幕的位置刚好用来放LCD，软驱口的开口尺寸正好可以引出USB-C充电口和几个按键。机身背面的散热孔原本是给CRT用的，现在用来给ESP32-S3散热刚刚好，连续跑几个小时语音交互，模组表面温度稳定在45度左右，不会触发降频。
外壳我一开始想3D打印，但后来发现用激光切割亚克力板加胶水拼接更省事。3D打印的层纹在麦金塔这种方正造型上特别明显，后期打磨很费时间。亚克力板切割边缘用砂纸过一遍，再用亚克力胶水粘合，出来的效果干净利落。屏幕窗口和按键开孔用激光切割精度足够，不需要二次加工。
1.3 这个项目适合谁动手
如果你有基本的焊接经验，能看懂简单的电路图，会用Arduino IDE或者PlatformIO烧录固件，这个项目完全可以自己搞定。不需要你会画PCB，所有模块都是现成的开发板加杜邦线连接。不需要你会写AI模型，语音识别和对话逻辑走的是现成的云端API，固件里已经封装好了调用逻辑。
整个项目的物料成本大概在150到200元之间，具体取决于你手头已经有哪些零件。ESP32-S3-N16R8模组大概40到50元，LCD屏幕30元左右，麦克风和功放模块加起来20元，锂电池和充电管理模块30元，外壳材料20元，剩下的就是杂七杂八的线材和螺丝。
我见过很多人卡在"选什么屏幕""用什么麦克风"这种问题上纠结好几天。这篇内容会把每个模块的选型理由和接线方式都讲清楚，你照着做就行。固件我会提供编译好的bin文件，也会说明怎么自己从源码编译。
2. 物料清单与模块选型：每一分钱花在哪里
2.1 核心模组：ESP32-S3-N16R8的引脚分配策略
ESP32-S3-N16R8的引脚比普通ESP32多不少，但实际用起来还是会紧张。我先把整个项目的引脚需求列出来，再分配。
需要占用的引脚包括：I2S麦克风（3根：BCLK、WS、DATA）、I2S功放（3根：BCLK、WS、DATA）、LCD屏幕（SPI接口，5根：SCK、MOSI、CS、DC、RST，再加一根背光控制）、按键（2根）、电池电压检测（1根ADC）、状态LED（1根）。加起来一共15根。
ESP32-S3-N16R8可用的GPIO有三十多个，但要注意有些引脚有特殊功能。GPIO0是BOOT按键，GPIO19和GPIO20是USB D+/D-，GPIO43和GPIO44是UART0的TX/RX。这些引脚尽量避开，或者确认不影响功能后再用。
我的分配方案是这样的：麦克风I2S用GPIO4、5、6，功放I2S用GPIO7、8、9，LCD的SPI用GPIO10到14，按键用GPIO1和GPIO2，电池检测用GPIO3，状态LED用GPIO21。这样分配的好处是所有外设的引脚都连续，走线整齐，杜邦线不容易插错。
注意：ESP32-S3的I2S外设有两个，可以同时使用。麦克风和功放各用一个I2S控制器，互不干扰。如果你把两个设备挂在同一个I2S上，需要做时分复用，固件复杂度会上升很多。
2.2 显示模块：1.5英寸圆形LCD还是方形IPS
麦金塔的CRT屏幕区域是方形的，但实际显示区域可以做成圆形或者方形。我试过两种方案。
圆形LCD的好处是视觉上更像一个"眼睛"或者"脸"，配合机器人的表情动画很自然。缺点是圆形屏幕的驱动IC通常是GC9A01，SPI接口，分辨率240x240，刷新率有限，做复杂动画会卡。而且圆形屏幕的可视角度一般，从侧面看颜色偏白。
方形IPS屏幕我选的是1.5英寸240x240的ST7789V驱动，SPI接口，刷新率比GC9A01高不少，颜色也更正。方形屏幕在麦金塔的方形窗口里刚好填满，看起来更像原版CRT的显示区域。表情动画用方形画布做，边缘留黑边，效果也不错。
最后我选了方形IPS。理由是固件里做表情动画需要频繁刷新屏幕，ST7789V的SPI时钟可以跑到80MHz，GC9A01通常只能到40MHz。刷新率差一倍，动画流畅度差别很明显。
2.3 音频输入输出：I2S麦克风与功放模块的搭配
麦克风我用的INMP441，I2S接口，24位ADC，信噪比61dB。这个麦克风在桌面环境下拾音效果很好，三米内正常说话音量就能触发唤醒。它的灵敏度可以通过固件里的增益参数调整，默认增益下，安静房间里连翻书的声音都能拾到，所以实际使用时我把增益调低了6dB，避免误触发。
功放用的MAX98357，I2S输入，D类功放，最大输出3.2W。搭配一个4欧姆3W的小扬声器，音量足够一个房间使用。MAX98357的好处是只需要I2S的三根线加电源，不需要额外的DAC或者滤波电路。它的增益可以通过SD引脚和GAIN引脚配置，我设的是9dB增益，再高会有底噪。
麦克风和功放的I2S时钟需要分开配置。麦克风是输入，ESP32-S3作为I2S主机产生时钟；功放是输出，ESP32-S3也作为主机产生时钟。两个I2S控制器独立工作，互不干扰。固件里我用的是ESP-IDF的I2S标准模式驱动，配置起来比老版的I2S驱动清晰很多。
2.4 电源方案：锂电池与充电管理的取舍
电源部分我一开始想用18650电池，容量大，放电曲线平稳。但18650电池加电池座太占空间，麦金塔机身内部放不下。后来换成一块2000mAh的软包锂电池，尺寸刚好塞在机身底部。
充电管理用的是TP4056模块，带保护板。TP4056的充电电流可以通过PROG电阻设置，我设的是1A，充2000mAh电池大概两个半小时充满。模块上自带蓝色和红色LED指示充电状态，我把LED用导线引到机身背面，透过亚克力板能看到充电指示。
电池电压检测用ESP32-S3的ADC引脚，通过一个100k和100k的电阻分压，把电池电压降到ADC量程范围内。固件里定期读取ADC值，换算成电池百分比，显示在屏幕角落。分压电阻用1%精度的金属膜电阻，普通碳膜电阻的误差太大，电量显示会跳。
提示：锂电池放电到3.3V以下时，ESP32-S3的Wi-Fi模块可能会工作不稳定。固件里我设了3.4V低压警告，3.2V自动关机。不要等到电池完全放空再充电，对电池寿命不好。
3. 电路连接与外壳组装：从散件到整机
3.1 接线图与焊接注意事项
整个项目的接线分三部分：电源部分、I2S音频部分、SPI显示部分。我建议先接电源部分，确认供电正常后再接其他模块。
电源部分的接线：锂电池的正负极接到TP4056模块的B+和B-，TP4056的OUT+和OUT-接到ESP32-S3的5V和GND。注意TP4056模块的输出电压是电池电压，不是稳定的5V。ESP32-S3的5V引脚内部有LDO稳压到3.3V，所以电池电压在3.4V到4.2V之间时，模组都能正常工作。
I2S麦克风的接线：INMP441的VDD接3.3V，GND接GND，SCK接GPIO4，WS接GPIO5，SD接GPIO6，L/R接GND（选择左声道）。麦克风的时钟线要尽量短，超过10厘米容易引入噪声。我用的是10厘米的杜邦线，实际测试底噪在可接受范围内。
I2S功放的接线：MAX98357的VIN接5V，GND接GND，BCLK接GPIO7，LRC接GPIO8，DIN接GPIO9。GAIN引脚悬空（默认9dB增益），SD引脚悬空（使能输出）。功放的电源线要粗一点，我用的是22AWG的线，细线在大音量时会有压降，导致声音失真。
SPI屏幕的接线：ST7789V的VCC接3.3V，GND接GND，SCL接GPIO12，SDA接GPIO11，RES接GPIO13，DC接GPIO14，CS接GPIO10，BLK接GPIO15（背光控制）。屏幕的背光LED需要限流电阻，我用的100欧姆，背光电流大概15mA，亮度足够。
焊接的时候注意，ESP32-S3-N16R8模组的引脚间距是2.54mm，普通烙铁头就能焊。但模组底部的散热焊盘需要焊到PCB上，如果你用的是模组而不是开发板，这个焊盘必须焊，否则大负载时模组会过热。我直接买的开发板，散热焊盘已经处理好了，省事。
3.2 麦金塔外壳的切割与组装
外壳我用的是3mm厚的黑色亚克力板，激光切割。图纸是我自己画的，参考了原版麦金塔的尺寸比例，整体缩小到大约三分之一。机身尺寸是120mm宽、140mm高、100mm深。
前面板需要开三个孔：屏幕窗口（40mm x 40mm）、软驱口（30mm x 10mm，用来引出USB-C）、按键孔（两个6mm圆孔）。屏幕窗口的位置要精确，偏1mm就会露出屏幕边框。我在图纸上标了定位孔，切割后用屏幕实际比对了一下，刚好卡住。
侧板和顶板用亚克力胶水粘合。胶水涂薄薄一层，压紧后等24小时完全固化。粘合的时候用直角夹具固定，保证机身方正。背板用螺丝固定，方便后期拆开维护。背板上开散热孔，用3mm钻头打一排孔，间距5mm。
屏幕用热熔胶固定在前面板内侧。热熔胶的好处是固化快，后期要拆的话用酒精就能软化。麦克风用双面胶贴在机身顶部内侧，靠近前面板的位置，拾音效果最好。扬声器用螺丝固定在机身底部，出声孔朝下，利用桌面反射，声音更饱满。
3.3 上电前的检查清单
接线完成后不要急着上电，先做一遍检查。我列了一个清单，每次装新机器都过一遍。
- 用万用表测电池电压，确认在3.7V到4.2V之间
- 测TP4056输出端电压，应该和电池电压一致
- 测ESP32-S3的3.3V引脚对GND的电阻，正常应该在几百欧姆以上，如果接近0说明有短路
- 检查所有I2S和SPI线是否插紧，杜邦线有时候会松动
- 确认麦克风的L/R引脚接GND，如果悬空会导致声道错乱
- 确认屏幕的背光限流电阻已接，直接接3.3V会烧背光
上电后先看状态LED是否亮起，然后听扬声器有没有底噪。如果底噪很大，检查功放的电源线和地线是否接触良好。如果屏幕不亮，先测背光电压，再测SPI信号。ESP32-S3的SPI引脚在启动时会有短暂的电平变化，这是正常的。
4. 固件烧录与配置：让机器人开口说话
4.1 固件下载与烧录工具的选择
固件我提供了两个版本：一个是编译好的bin文件，直接用esptool烧录；另一个是完整的源码工程，用PlatformIO编译。
bin文件的烧录地址是0x0，包含bootloader、分区表和应用程序。烧录命令是这样的：
esptool.py --chip esp32s3 --port /dev/ttyUSB0 --baud 921600 write_flash 0x0 firmware.binWindows下端口号可能是COM3或者COM4，在设备管理器里看。Linux下通常是/dev/ttyUSB0或者/dev/ttyACM0。烧录前需要按住BOOT键，按一下RST键，进入下载模式。烧录完成后按RST键重启。
如果你要自己编译源码，需要安装PlatformIO。在VSCode里装PlatformIO插件，打开工程目录，它会自动下载ESP-IDF和依赖库。编译命令是pio run，烧录命令是pio run --target upload。第一次编译会下载几百MB的工具链，耐心等。
注意：ESP32-S3-N16R8的Flash是16MB，分区表要选对。我用的分区表是"16MB Flash (3MB APP/9.9MB FATFS)"，应用程序分区3MB，足够放语音识别模型和表情动画资源。如果你自己改分区表，注意APP分区不要小于2MB，否则固件放不下。
4.2 Wi-Fi与云端API配置
固件第一次启动时会进入配网模式，屏幕上显示一个二维码，用手机扫码连接机器人的热点，然后输入你家Wi-Fi的SSID和密码。配网信息保存在NVS里，下次启动自动连接。
云端API我用的是一个语音对话服务，支持语音识别、对话生成和语音合成。固件里封装了API调用逻辑，你只需要在配置文件中填入API Key和API Secret。配置文件在源码的main/config.h里，bin文件版本的话，配网时在手机页面上填入。
API的调用流程是这样的：麦克风采集音频，经过降噪和VAD（语音活动检测）后，把音频数据通过WebSocket传到云端，云端返回识别文本和对话回复，固件再把回复文本通过TTS合成语音，用功放播放出来。整个流程的延迟在1.5秒到2.5秒之间，取决于网络状况。
如果你不想用云端API，固件也支持本地关键词识别。ESP-SR是乐鑫的离线语音识别库，支持自定义唤醒词和命令词。本地识别只能处理预设的命令，比如"打开灯""播放音乐"，不能做自由对话。本地识别的延迟在200ms以内，响应很快。
4.3 表情动画与交互逻辑的调整
屏幕上的表情动画是用LVGL做的。LVGL是一个轻量级图形库，在ESP32-S3上跑240x240的界面很流畅。我做了几组表情：待机时是眨眼的圆形眼睛，识别到语音时变成放大的瞳孔，思考时是转圈的眼睛，说话时是跳动的波形。
表情切换的逻辑在main/face.c里。待机状态每3秒随机眨眼一次，识别到唤醒词后切换到"聆听"表情，云端返回结果后切换到"思考"表情，TTS播放时切换到"说话"表情。这些状态之间的切换用了一个简单的状态机，代码不复杂，你可以根据自己的喜好调整。
按键的功能是这样的：短按第一个键切换表情主题，短按第二个键切换对话模式（云端/本地），长按第一个键进入配网模式，长按第二个键重启。按键消抖用的是ESP-IDF的GPIO中断加软件定时器，消抖时间20ms。
5. 调试过程中遇到的几个坑
5.1 I2S时钟冲突导致音频断断续续
第一次跑通的时候，麦克风和功放单独测试都正常，但一起工作的时候，扬声器里的声音会每隔几秒卡一下。用逻辑分析仪抓I2S波形，发现麦克风的BCLK和功放的BCLK有相位差，偶尔会冲突。
原因是两个I2S控制器的时钟源虽然独立，但ESP32-S3的I2S时钟树有共享的PLL。当两个I2S的采样率不一致时，PLL会重新锁定，导致短暂的时钟丢失。解决办法是把麦克风和功放的采样率设成一样的，都用16kHz。麦克风采集16kHz，功放播放16kHz，PLL不需要切换，冲突就消失了。
如果你需要用不同的采样率，比如麦克风16kHz、功放48kHz，那就需要把其中一个I2S设成从模式，用外部时钟。但这样需要额外的时钟芯片，电路复杂度上升。对于桌面机器人这种场景，16kHz的语音质量已经足够，没必要折腾。
5.2 锂电池供电时Wi-Fi频繁掉线
用USB供电调试的时候一切正常，换成锂电池供电后，Wi-Fi每隔几分钟就掉一次。一开始以为是电池电量不足，但测电压还有3.8V。后来用示波器看电源纹波，发现Wi-Fi发射瞬间，电池电压会瞬间跌到3.2V以下，导致模组复位。
原因是TP4056模块的输出端没有大电容，电池的内阻在瞬间大电流下产生压降。解决办法是在TP4056的输出端并一个470uF的电解电容加一个100nF的陶瓷电容。电解电容提供瞬态电流，陶瓷电容滤高频噪声。加上之后，Wi-Fi发射时的电压跌落从600mV降到了100mV以内，掉线问题解决。
提示：如果你用的电池内阻比较大（比如拆机电池），电容还要加大。我试过用1000uF的电容，效果更好。但电容体积也大，麦金塔机身里要找个位置放。
5.3 屏幕SPI干扰麦克风导致识别率下降
屏幕刷新的时候，麦克风的底噪会明显增大，语音识别率从90%掉到60%。用频谱分析仪看，屏幕SPI的时钟频率是40MHz，谐波刚好落在麦克风的音频频段内，通过电源线和空间辐射耦合到了麦克风。
解决办法有两个：一是降低SPI时钟到20MHz，刷新率降一半，但表情动画还能接受；二是在麦克风的电源引脚上加一个LC滤波，10uH电感和100nF电容组成低通，滤掉高频干扰。我两个都做了，SPI降到20MHz，麦克风电源加LC滤波，识别率恢复到92%以上。
屏幕的排线也要尽量远离麦克风。我一开始把屏幕排线和麦克风线捆在一起，干扰特别严重。后来把屏幕排线走机身左侧，麦克风线走右侧，中间隔了电池，干扰小了很多。
5.4 云端API的音频格式匹配问题
云端API要求的音频格式是16kHz、16bit、单声道PCM，但INMP441输出的是24bit数据。固件里需要做位深转换，把24bit截断成16bit。我一开始直接取高16位，结果音量很小，因为低8位被丢弃了。正确的做法是取高16位后，根据低8位的值做舍入，或者直接右移8位再加抖动。
TTS返回的音频是MP3格式，需要解码成PCM才能用I2S播放。固件里集成了一个轻量级的MP3解码器，解码后的PCM数据缓存到PSRAM里，再通过I2S输出。PSRAM的8MB容量在这里派上了用场，可以缓存好几秒的音频，避免网络抖动导致播放卡顿。
如果你用的云端API返回的是其他格式，比如Opus或者AAC，需要换对应的解码器。Opus的解码器比MP3复杂一些，但压缩率更高，适合网络状况不好的场景。
6. 几个可以继续折腾的方向
6.1 加一个舵机做头部转动
现在的机器人是固定不动的，只能通过屏幕表情和声音交互。如果想让它更生动，可以加一个小型舵机，让头部能左右转动。SG90舵机体积小，扭矩够用，用ESP32-S3的LEDC外设驱动，占一个GPIO就行。
舵机的电源要从电池直接取，不要从3.3V取，舵机启动瞬间的电流会拉低3.3V，导致模组复位。控制信号用GPIO16，PWM频率50Hz，脉宽500us到2500us对应0到180度。固件里可以根据对话内容控制头部转动，比如识别到声音从左边来，头就转向左边。
6.2 本地唤醒词的自定义训练
ESP-SR支持自定义唤醒词，但需要用乐鑫的工具链训练模型。训练过程不复杂，在乐鑫的语音识别平台上上传几段唤醒词的录音，等几分钟就能生成模型文件。把模型文件放到固件的分区里，改一下配置就能用。
我训练了一个"小智小智"的唤醒词，识别率在安静环境下95%以上，有背景音乐的时候会降到80%左右。如果你想要更高的识别率，可以多录几组不同口音和语速的样本。训练模型的大小在200KB左右，放在3MB的APP分区里绰绰有余。
6.3 用MQTT接入智能家居
ESP32-S3的Wi-Fi可以同时维持WebSocket和MQTT两个连接。固件里加一个MQTT客户端，把语音识别的结果发布到MQTT主题，就可以控制家里的智能设备了。比如你说"打开客厅的灯"，固件识别到"灯"和"开"两个关键词，就往MQTT发一条消息，Home Assistant收到后执行动作。
MQTT的配置在main/mqtt.c里，填上Broker地址、端口、用户名和密码就行。我用的Mosquitto Broker跑在本地服务器上，延迟在100ms以内。如果你没有本地服务器，也可以用公共的MQTT Broker，但要注意数据安全，不要发敏感信息。
6.4 电池续航的进一步优化
现在的续航在连续对话模式下大概4小时，待机模式下2天。如果想更长，可以做几个优化。一是把屏幕背光亮度调低，从15mA降到5mA，续航能多出几个小时。二是把Wi-Fi的省电模式打开，ESP32-S3支持Modem-sleep，在不需要通信的时候自动降低Wi-Fi功耗。三是把CPU频率从240MHz降到160MHz，语音识别和LVGL刷新都够用，功耗降低30%左右。
我实测过，背光降到5mA、Wi-Fi开省电、CPU降到160MHz，连续对话续航能到6小时，待机续航4天。代价是屏幕在强光下看起来有点暗，语音识别的响应速度稍微慢一点点，但都在可接受范围内。
最后分享一个我在装配时的小技巧：所有杜邦线连接好后，用热熔胶在接插件根部点一下，固定住。桌面机器人会经常被碰到，杜邦线松动是最高频的故障。热熔胶固定后，即使用力晃动机身，线也不会掉。后期要拆的话，用酒精棉签擦一下热熔胶就软化了，不会损坏接插件。