دستیار صوتی هوشمند جیبی با برد ESP32

قبل از اینکه دست به کار بشیم، بیایم ببینیم پشت پرده این سیستم چه خبره. همون‌طور که تو مقدمه گفتم، این پروژه هوش مصنوعی رو مستقیم روی خود ESP32 اجرا نمی‌کنه. ما اینجا از پردازش ابری استفاده می‌کنیم و همین ترفند باعث می‌شه یه برد کوچیک بتونه مثل یه دستیار هوشمند حرفه‌ای عمل کنه.

روند کار به این شکله: اول تو توی میکروفون صحبت می‌کنی. برد ESP32 صدای تو رو از طریق رابط صوتی I2S ضبط می‌کنه و بعدش این فایل صوتی از طریق وای‌فای به سرور ابری فرستاده می‌شه. حالا تو سمت سرور، کارهای سنگین و اصلی انجام می‌شه:

1. صدای تو به متن تبدیل می‌شه (فناوری تبدیل گفتار به متن)
2. مدل هوش مصنوعی متن رو می‌فهمه و یه جواب مناسب براش تولید می‌کنه
3. جواب متنی دوباره به صدای انسان تبدیل می‌شه (فناوری تبدیل متن به گفتار)

در نهایت، این جواب صوتی دوباره برای برد ESP32 فرستاده می‌شه تا از طریق بلندگو پخشش کنه. پس اگه بخوایم خیلی ساده بگیم، وظایف برد ESP32 تو این پروژه ایناست:

1. ضبط و پخش صدا
2. اتصال به شبکه وای‌فای
3. مدیریت کلی قطعات دستگاه

در واقع تفکر اصلی هوش مصنوعی روی سرور اتفاق می‌افته و این‌طوریه که با یه میکروکنترلر ارزون و کوچیک، یه دستیار صوتی قدرتمند داریم.

قبل از اینکه بریم سراغ سیم‌کشی، بیایم ببینیم هر قطعه دقیقا چیکار می‌کنه. این کار تو عیب‌یابی‌های بعدی خیلی کمکت می‌کنه. مثلا میکروفون INMP441 یه میکروفون دیجیتاله که از پروتکل I2S پشتیبانی می‌کنه.

این یعنی به جای ارسال یه سیگنال آنالوگ و پر از نویز، دیتای صوتی رو کاملا دیجیتال و مستقیم به ESP32 می‌فرسته. به همین خاطر کیفیت صداش عالیه و نویز خیلی کمی داره.

ماژول آمپلی‌فایر MAX98357A هم دقیقا با پروتکل I2S کار می‌کنه. این ماژول دیتای صوتی دیجیتال رو می‌گیره و بلندگو رو مستقیم درایو می‌کنه. خوبیش اینه که به هیچ مبدل دیجیتال به آنالوگ (DAC) جداگانه‌ای نیاز نداره و مدار رو حسابی خلوت نگه می‌داره.

برد ESP32-S3 هم که در واقع رئیس کل پروژه‌ست. مدیریت وای‌فای، دریافت صدا، ارسال دیتا به سرور و پخش جواب، همه‌ش به عهده این برده.

نمایشگر OLED هم فقط برای اینه که یه بازخورد بصری داشته باشی؛ مثل دیدن وضعیت اتصال یا خوندن پیام‌ها. استفاده ازش اجباری نیست، اما ظاهر پروژه رو به شدت حرفه‌ای‌تر می‌کنه.

نکته جالب اینه که ورودی و خروجی صدا هر دو روی بستر I2S هستن و همین موضوع، این قطعات رو به بهترین انتخاب برای پروژه‌های صوتی تبدیل کرده.

همون‌طور که گفتم، برد ESP32-S3 قلب تپنده این پروژه‌ست. این برد فوق‌العاده قدرتمند و منعطفه، وای‌فای و بلوتوث داخلی داره و جون می‌ده برای پروژه‌های اینترنت اشیا (IoT) و هوش مصنوعی. قدرت پردازشیش اونقدر بالاست که به راحتی از پس استریم‌های صوتی و ارتباط با سرورهای ابری برمیاد.

تو دل این تراشه، یه پردازنده دو هسته‌ای Xtensa LX7 با سرعت 240 مگاهرتز نشسته. ضمنا از شتاب‌دهنده‌های سخت‌افزاری برای کارهای هوش مصنوعی هم پشتیبانی می‌کنه که سرعت پردازش صوت رو حسابی بالا می‌بره.

مشخصات فنی کلیدی برد:

1. میکروکنترلر: ESP32-S3
2. پردازنده مرکزی: دو هسته‌ای Xtensa LX7 با سرعت 240 مگاهرتز
3. پورت USB Type-C برای تامین برق و انتقال دیتا
4. ارتباط بی‌سیم: وای‌فای و بلوتوث کم‌مصرف (BLE)
5. حافظه فلش: 8 مگابایت
6. ولتاژ کاری: 3.3 ولت
7. فرکانس کاری شبکه: 2.4 گیگاهرتز
8. پشتیبانی از انواع رابط‌های GPIO، UART و USB
9. دارای 34 پین GPIO برای اتصال انواع ماژول‌ها

ماژول MAX98357A یه آمپلی‌فایر دیجیتال کوچیک ولی به شدت قدرتمنده که بلندگوی پروژه رو درایو می‌کنه. این ماژول به جای اینکه با صدای آنالوگ سروکله بزنه، مستقیما دیتای دیجیتال I2S رو دریافت می‌کنه و همین باعث می‌شه مدار ما خیلی تمیزتر بشه. با این ماژول دیگه نیازی به مبدل DAC جداگانه نداری، چون خودش صدای دیجیتال رو به آنالوگ تبدیل و هم‌زمان تقویتش می‌کنه.

به همین دلیله که تو اکثر اسپیکرهای هوشمند و دستگاه‌های صوتی قابل حمل از این ماژول استفاده می‌شه.

نحوه کارکرد ماژول:

وقتی برد ESP32 دیتای صوتی رو از طریق I2S می‌فرسته، این ماژول سه تا کار اصلی انجام می‌ده:

1. سیگنال دیجیتال رو به صوت آنالوگ تبدیل می‌کنه
2. اون رو به اندازه کافی تقویت می‌کنه
3. و مستقیما به بلندگو می‌فرسته

در واقع این ماژول، ترکیب یه مبدل DAC و یه آمپلی‌فایر تو یه پکیج نقلی و جمع‌وجوره.

مشخصات و سیم‌کشی ماژول MAX98357A:

1. ولتاژ کاری: 2.5 تا 5.5 ولت
2. توان خروجی: 3.2 وات برای بلندگوی 4 اهم در ولتاژ 5 ولت
3. رابط صوتی دیجیتال: I2S
4. راندمان: تا 92 درصد

حالا بریم سراغ اتصالات:

1. پایه VIN ماژول به 3.3 ولت برد ESP32
2. پایه GND ماژول به GND برد ESP32
3. پایه DIN (دیتای صوتی) به پین GPIO7
4. پایه BCLK به پین GPIO15
5. پایه LRC به پین GPIO16
6. پایه GAIN به GND
7. پایه SD به 3.3 ولت

برای بلندگو هم فقط کافیه دو تا سیمش رو مستقیم به این پایه‌ها وصل کنی:

1. پایه SPK+
2. پایه SPK-

میکروفون INMP441 وظیفه دریافت صدای تو رو به عهده داره. این قطعه یه میکروفون دیجیتال از نوع MEMS هست که آمپلی‌فایر و مبدل آنالوگ به دیجیتال داخلی داره. یعنی همون اول کار، صدا رو پردازش می‌کنه و یه دیتای دیجیتال و ترتمیز رو از طریق پروتکل I2S بهت تحویل می‌ده. به خاطر همین کیفیت بالاست که انتخاب اول خیلیا برای پروژه‌های صوتیه.

این میکروفون چطور کار می‌کنه؟

وقتی صحبت می‌کنی، میکروفون صدا رو می‌گیره و تبدیلش می‌کنه به صفر و یک! بعدش این دیتا با سه تا پین اصلی به برد ESP32 فرستاده می‌شه:

1. پایه SCK برای همگام‌سازی (کلاک)
2. پایه WS برای مشخص کردن کانال چپ یا راست
3. پایه SD برای ارسال خود دیتای صوتی

پس با این حساب، کلا از شر مدارهای پیچیده آنالوگ به دیجیتال (ADC) خلاص می‌شی.

مزایای این میکروفون:

1. خروجی کاملا دیجیتال و بدون نویز
2. سازگاری کامل با برد ESP32
3. ابعاد خیلی کوچیک
4. حساسیت عالی برای دریافت صدای انسان
5. مصرف برق بسیار پایین

اتصالات میکروفون به برد ESP32 رو این‌طوری انجام بده:

1. پایه VDD به 3.3 ولت
2. پایه GND به GND
3. پایه WS به پین GPIO4
4. پایه SCK به پین GPIO5
5. پایه SD به پین GPIO6
6. پایه L/R رو هم به GND وصل کن (برای تنظیم روی کانال مونو)

نکات مهم موقع سیم‌کشی:

1. این میکروفون فقط با ولتاژ 3.3 ولت کار می‌کنه.
2. پایه L/R تعیین می‌کنه صدا تو کدوم کانال باشه که ما اینجا با وصل کردنش به زمین (GND) یه کانال مونو ساده می‌سازیم.
3. سعی کن طول سیم‌های میکروفون رو تا حد امکان کوتاه نگه داری تا افت کیفیت نداشته باشی.

برای اینکه بتونیم وضعیت دستیار صوتی رو در لحظه ببینیم، از یه نمایشگر OLED کوچیک با درایور SSD1306 استفاده می‌کنیم. این نمایشگرها تو پروژه‌های الکترونیکی خیلی پرطرفدارن، چون هم کوچیکن، هم کیفیت تصویر بالایی دارن و هم راه‌اندازی‌شون بی‌دردسره. این ماژول با رابط I2C کار می‌کنه، یعنی برای انتقال دیتا فقط به دو تا سیم نیاز داری و سیم‌کشی مدارت شلوغ نمی‌شه.

1. کنتراست بالا و خوانایی عالی متن‌ها
2. مصرف انرژی کم که برای گجت‌های باتری‌خور عالیه
3. ابعاد کوچیک برای جا شدن تو قاب‌های جیبی
4. راه‌اندازی آسون با کلی کتابخونه آماده

اتصالات نمایشگر هم خیلی ساده‌ست: پایه VCC به 3.3 ولت، پایه GND به GND، پایه SDA به پین GPIO41 و پایه SCL رو به پین GPIO42 وصل کن.

حالا وقتشه قطعات رو به هم وصل کنی. به شدت پیشنهاد می‌کنم قبل از اینکه بخوای مدار رو لحیم کنی یا براش PCB بزنی، همه قطعات رو روی یه برد بورد ببندی تا بتونی عملکردش رو کامل تست کنی.

تو عکسا می‌تونی نمونه چیدمان قطعات روی برد بورد رو ببینی. همه سیم‌ها رو با دقت وصل کن و قبل از اینکه کابل USB رو بزنی، حتما پایه‌های I2S و اتصالات تغذیه رو یه بار دیگه با دقت چک کن.

+6

مدار که آماده شد، حالا باید بریم سراغ بخش نرم‌افزاری و نصب فریم‌ور روی برد.

قدم اول: دانلود فایل‌های مورد نیاز

اول از همه باید ابزار فلش کردن و فایل‌های فریم‌ور مربوط به این دستیار صوتی رو از اینترنت دانلود کنی. یه سرچ ساده برای عبارت ESP Flash Download Tool کارت رو راه میندازه.

1. نرم‌افزار رسمی ESP Flash Download Tool رو دانلود کن.
2. فایل باینری فریم‌ور پروژه رو هم دریافت کن.

این فایل فریم‌ور، تمام کدهای لازم برای راه‌اندازی دستگاه رو تو خودش جا داده.

قدم دوم: تنظیم نرم‌افزار فلش

1. فایل‌های دانلود شده رو از حالت فشرده خارج کن.
2. نرم‌افزار ESP Flash Download Tool رو باز کن.
3. در قسمت انتخاب تراشه، مدل ESP32-S3 رو انتخاب کن.

قدم سوم: فلش کردن فریم‌ور روی برد

حالا می‌رسیم به بخش اصلی یعنی آپلود کدها:

1. روی دکمه سه‌نقطه (...) کلیک کن و فایل فریم‌ور رو انتخاب کن.
2. آدرس حافظه رو دقیقا روی 0x0 تنظیم کن.
3. تیک باکس کنار آدرس رو فعال کن.
4. پورت COM مربوط به برد ESP32 رو که با کابل به سیستم وصل شده انتخاب کن.

در نهایت:

1. اول روی دکمه Erase کلیک کن و صبر کن تا حافظه برد پاک بشه.
2. بعد روی دکمه Start کلیک کن تا آپلود شروع بشه.

چند دقیقه صبر کن تا پیغام FINISH روی صفحه بیاد. تبریک می‌گم، برد تو برنامه‌ریزی شد!

+5

بعد از اینکه فریم‌ور نصب شد، وقتشه دستگاه رو به شبکه وصل کنیم تا بتونه با سرور ارتباط بگیره.

روشن کردن و اتصال اولیه

دستگاه رو روشن کن. موقعی که برای اولین بار بوت می‌شه، چون رمز وای‌فای مودمت رو نداره، خودش به صورت خودکار یه نقطه اتصال (Hotspot) می‌سازه.

Xiaozhi-XXXX

حالا با گوشی یا لپ‌تاپت وای‌فای رو روشن کن و به این شبکه وصل شو.

ورود به صفحه تنظیمات

بعد از اینکه وصل شدی، مرورگرت رو باز کن و این آدرس آی‌پی رو توش وارد کن:

192.168.4.1

با این کار صفحه تنظیمات دستیار صوتی برات باز می‌شه.

اتصال به مودم خانگی

1. اسم شبکه وای‌فای خونه رو انتخاب کن (یادت باشه فقط شبکه‌های 2.4 گیگاهرتز پشتیبانی می‌شن).
2. رمز وای‌فای رو وارد کن.
3. روی Connect کلیک کن.

اگه رمز رو درست زده باشی، دستگاه به اینترنت وصل می‌شه و به صورت خودکار ری‌استارت می‌کنه.

دریافت کد تایید دستگاه

بعد از اینکه دستگاه دوباره روشن شد، یه کد 6 رقمی رو از طریق بلندگو برات می‌خونه (یا روی نمایشگر نشونش می‌ده). این کد رو برای لینک کردن دستگاه به اکانتت نیاز داری.

اضافه کردن دستگاه به پلتفرم ابری

حالا باید وارد وب‌سایت یا همون پنل کاربری پلتفرمی بشی که فریم‌ورت رو ازش گرفتی.

1. یه حساب کاربری بساز یا وارد حسابت شو.
2. بخش کنسول (Console) رو باز کن.
3. روی گزینه اضافه کردن دستگاه (Add Device) کلیک کن.
4. اون کد 6 رقمی که دستگاه بهت داد رو وارد کن.

به همین راحتی دستگاهت به پنل کاربری اضافه می‌شه.

شخصی‌سازی هوش مصنوعی

از داخل همین پنل می‌تونی رفتار دستیارت رو شخصی‌سازی کنی. مثلا:

1. اسمش رو تغییر بدی.
2. زبانش رو تنظیم کنی.
3. صدای گوینده رو عوض کنی.
4. شخصیتش رو تعیین کنی (رسمی باشه یا بامزه و صمیمی).
5. مدل هوش مصنوعی پردازشگر رو انتخاب کنی.

در نهایت تنظیمات رو ذخیره کن تا مستقیما روی دستگاهت اعمال بشه.

حالا که همه‌چیز ردیف شده، وقتشه روی همون برد بورد سیستم رو تست کنیم. یه بار دستگاه رو ری‌استارت کن و منتظر بمون تا به وای‌فای وصل بشه. دکمه میکروفون رو فشار بده و یه جمله ساده بگو؛ مثلا "سلام" یا "امروز هوا چطوره؟".

1. میکروفون صدات رو می‌گیره
2. بعد از یه ثانیه باید جواب رو از اسپیکر بشنوی
3. ممکنه OLED وضعیت یا پیام‌ها رو نشون بده

باور کن وقتی برای اولین بار روی برد بورد جواب داد، خودم حسابی سر ذوق اومدم!

اگه مدار کار نکرد چیکار کنیم؟

1. وای‌فای درست وصل شده
2. سیم‌کشی درسته (مخصوصا پایه‌های I2S)
3. اتصالات اسپیکر و آمپلی‌فایر
4. تغذیه پایداره

+2

وقتی تست روی برد بورد با موفقیت تموم شد، می‌بینی که سیم‌کشی‌ها خیلی شلوغه و اصلا نمی‌شه این گجت رو تو جیب گذاشت. برای همین بهتره مدار رو روی یه برد مدار چاپی (PCB) پیاده کنیم تا همه‌چیز جمع‌وجور و پایدار بشه.

خوشبختانه طراحی‌های متن‌باز (Open-Source) خیلی خوبی برای این مدار تو اینترنت هست و فقط کافیه فایل گربر (Gerber) اون‌ها رو دانلود کنی؛ پس نیازی نیست از صفر طراحی کنی.

تو این طراحی‌های آماده، جای قطعات کاملا بهینه و فشرده در نظر گرفته شده. فقط کافیه فایل‌ها رو برای چاپ به یه شرکت تولید PCB بفرستی تا هم تو زمانت صرفه‌جویی بشه و هم خطاهای طراحی به صفر برسه. وقتی برد چاپ‌شده به دستت برسه و قطعات رو روش مونتاژ کنی، تفاوتش رو با برد بورد کاملا حس می‌کنی.

همه‌چیز:

1. خیلی تمیزتر

یه نکته مهم: همیشه قبل از ارسال فایل برای چاپ، با نرم‌افزارهای نمایش‌دهنده گربر (Gerber Viewer) فایل‌ها رو چک کن تا مطمئن بشی لایه‌ها، سوراخ‌ها و مسیرها دقیقا همون‌چیزیه که می‌خوای. این‌طوری اگه نقصی باشه، قبل از پرداخت هزینه متوجهش می‌شی. داشتن یه PCB متالیزه باکیفیت، خیالت رو از بابت اتصالی‌های ناخواسته که تو پروژه‌های صوتی باعث نویز می‌شن، کاملا راحت می‌کنه.

در ضمن، استفاده از مدار چاپی باعث می‌شه دستگاهت محکم‌تر بشه و موقع جابه‌جایی تو جیب یا کیفت، اتصالاتش قطع نشه.

+5

خب، حالا که برد خام به دستت رسیده، هویه، سیم لحیم و سیم‌چین رو بیار تا مونتاژ رو شروع کنیم. یه قانون طلایی تو مونتاژ هست: همیشه اول قطعات کوتاه‌تر رو لحیم کن و بعد برو سراغ قطعات بلندتر. این‌طوری برد راحت‌تر روی میز می‌خوابه و قطعاتت کج نمی‌شن.

مراحل مونتاژ قدم‌به‌قدم:

1. اول از همه پین هدرها رو لحیم کن.
2. پین هدرهای مادگی رو روی برد بذار و از پشت لحیمشون کن. این هدرها قراره برد ESP32 رو نگه دارن.
3. میکروسوئیچ‌ها و کلیدها رو سوار کن.
4. دکمه‌ها رو سر جای خودشون بذار و محکم لحیمشون کن تا با فشار دادن کنده نشن.
5. ماژول‌های کوچیک رو نصب کن.
6. قطعاتی مثل میکروفون INMP441 رو با دقت لحیم کن و حواست باشه پایه‌ها به هم نچسبن.
7. برد ESP32-S3 رو جا بزن.
8. وقتی هدرها لحیم شدن، برد ESP رو به آرومی روی هدرهای مادگی فشار بده تا جا بره.
9. ماژول شارژر رو متصل کن.
10. برد رو برگردون و ماژول شارژر رو لحیم کن. حواست به قطب‌های مثبت و منفی باتری باشه.
11. اتصالات بلندگو رو انجام بده.
12. در نهایت، سیم‌های بلندگو رو به پدهای روی برد لحیم کن یا از کانکتور استفاده کن.

+1

وقتی مونتاژ تموم شد، کلید پاور رو بزن. از اونجایی که فریم‌ور رو قبلا فلش کردیم، دستگاه باید بدون مشکل بالا بیاد. برد ESP32 روشن می‌شه، ماژول‌ها رو راه‌اندازی می‌کنه و دستیار صوتیت آماده به کار می‌شه.

حالا میکروفون به خوبی دستوراتت رو دریافت می‌کنه و صدا با کیفیت عالی از بلندگو پخش می‌شه. دکمه‌های کنترل همون‌طور که انتظار می‌رفت کار می‌کنن. وقتی این گجت رو از روی برد بورد به یه مدار چاپی تمیز منتقل می‌کنی، تازه متوجه می‌شی چه دستگاه خفن و جذابی ساختی!

این پروژه یه مثال بی‌نظیر از ترکیب سخت‌افزار و هوش مصنوعیه. ما اینجا فقط یه مدار ساده نبستیم، بلکه یه دستگاه مستقل و هوشمند ساختیم که می‌تونه در لحظه به حرفامون گوش بده و جوابمون رو بده. قشنگی کار اینجاست که تمام این اتفاقات روی یه برد ارزون‌قیمت مثل ESP32-S3 میفته.

استفاده از فایل‌های متن‌باز و الهام گرفتن از طراحی‌های بقیه، یکی از بهترین راه‌ها برای سرعت دادن به روند یادگیری تو الکترونیکه. ساخت این دستیار جیبی پر از نکته‌های آموزشی بود؛ از درک نحوه انتقال صوت دیجیتال با رابط I2S گرفته تا استفاده از پردازش ابری تو پروژه‌های سخت‌افزاری.

این پروژه ثابت کرد که با یه کم خلاقیت می‌تونی گجتی بسازی که هم کاربردی باشه و هم تو جیبت جا بشه. امیدوارم از ساخت این کاردستی هوشمند لذت برده باشی. حتما تو بخش کامنت‌ها بهمون بگو که دوست داری این دستیار صوتی رو برای چه کاری بسازی یا چه ایده‌های دیگه‌ای برای ارتقاش داری! منتظر خوندن نظراتت تو آیسی‌مدار هستم.