边缘语音 AI 选型指南：转写与对话、拾音与本地算力

语音 AI 项目在现场交付时的失利，极少发生在云端 API 联调，而大多源于前端声学采集与端侧算力硬件的错配：要么在嘈杂大厅误选了消费级单麦导致识别率骤降；要么由于设备扬声器大音量放音引发剧烈啸叫、导致对话无法被打断；要么盲目追求全离线大模型导致单台硬件预算严重超标。

一个稳定落地的语音系统，必须由前端声学采集（麦克风阵列/硬件 AEC）与端侧算力盒子（VAD/ASR/端侧大模型/TTS）协同配合。选型时需要依次确认四件事：声学拾音距离与环境、是否需要强插话打断、本地与云端算力边界、以及并发路数与延迟要求。

本文按这四步梳理从声学麦克风到边缘算力盒的成套选型决策。

结论速查：成套硬件选型矩阵（麦克风 + 算力盒）

下表按典型业务场景与交互模式，给出【前端麦克风阵列 + 端侧算力盒子】的推荐组合与核心技术依据：

	业务场景与项目画像	推荐成套硬件组合	采集端（麦克风）	处理端（边缘算力盒）	核心依据与实测性能	参考整套采购区间
	服务窗口 / 工位柜台近场录音转写	ReSpeaker Lite + reComputer RK3576	ReSpeaker Lite (2-Mic USB)，1–3m 近场拾音	reComputer RK3576 (内置 6 TOPS NPU)	双麦波束成形抗噪；RK3576 NPU 支撑 SenseVoice 12 路并发，p95 延迟 1067 ms	约 $180–230
	会议室 / 多人圆桌 360° 远场会议纪要	ReSpeaker Mic Array v2.0 + reComputer RK3576	ReSpeaker v2.0 (4 麦环形阵列)，3–5m 拾音	reComputer RK3576 (或 reRouter CM4)	XMOS 芯片级 AEC + DOA 声源测向定位发言人；原始音频不离开本地会议室	约 $220–270
	智能大屏 / 导览机器人全双工打断对话	ReSpeaker XVF3800 + reComputer RK3576	ReSpeaker XVF3800 4-Mic (旗舰 DSP)	reComputer RK3576（本地语音，大模型走云端）	旗舰级双讲（Double-talk）与回声消除；高音量外放时人声随时插话秒级打断	约 $230–280
	全离线私密语音大模型一体机（涉密/金融）	ReSpeaker XVF3800 + reComputer J4012	ReSpeaker XVF3800 或 Lite	reComputer J4012 (Orin NX 16G, 100 TOPS)	全离线闭环：语音与 Qwen3.5-4B 大模型同板，解码达 35 tok/s，零数据上云	约 $970–1870
	单点轻量固定工位纯转写	ReSpeaker Lite + reRouter CM4	ReSpeaker Lite (2-Mic USB)	reRouter CM4 (四核 A72)	VAD 与 ASR 运行在 CPU，适合 1–2 人单点工位轻量录音转写	约 $220–280
	外勤巡检 / 医护查房 / 导购随身拾音	ReSpeaker Clip + 手机/云端	ReSpeaker Clip (领夹佩戴式)	随身脱机录音，手机 App 蓝牙同步	连续录音 14–18 小时，语音直接经 App 上云，现场无需固定算力盒	约 $39–59

注：参考价为单台/成套采购指导区间（采集时间：2026 年 10 月），随规格配置与采购批量变动，最终价格以官方商城或销售报价为准。

三项会改变上表结论的条件：

• 现场必须支持人声即时打断 —— 麦克风限定选用具备芯片级硬件 AEC 的 ReSpeaker XVF3800 或 ReSpeaker Flex，只有硬件 DSP 能在高音量自发自收工况下准确分离人声；普通入门麦克风在放音时会强制静音，无法打断。
• 对话语言需求不仅限于中英双语 —— reComputer RK3576 的端侧模型深度优化中文与英文；若项目要求多语种交互（如日语、韩语、阿语等 30 种语言），建议选 reComputer RK3588、J3011 或 J4012。
• 目标说话人距离超过 3 米，或现场持续背景噪声高于 70 dB —— 必须先通过增加麦克风密度或调整安装高度解决声学信噪比，任何算力都无法修复物理失真的声学输入。

按现场点位数与交互场景生成整套硬件清单，可使用下方选型配置器；若现场涉及远距降噪、多语种离线大模型或特殊供电结构，也可以直接向我们的 AI 方案选型助手（基于 solution-cli） 提问获取即时算力与麦克风搭配建议：

🤖 向 AI 方案助手提问（基于官方选型与配件知识库）：

• 终端即时查询：执行 npx @seeed-studio/solution-cli hub get acoustic-audio-ai --sections products,architecture 一步查看推荐设备与硬件拓扑。
• 自然语言问答：支持在 Claude Code、Codex、Antigravity、Cursor 等 AI 环境中直接提问（例如：“现场背景噪声约 70dB，需实现 3 米距离即时打断与本地离线指令识别，推荐哪套麦克风与边缘算力盒组合？”），AI 助手将自动核算模型算力并核对开箱配件。详见 solution-cli 官方文档与安装指南。

为什么把语音处理放在端侧

与将原始音频流全部推上公网云端的方案相比，端侧处理具备三大不可替代的工程价值：

1. 交互延迟降至 300ms 以内，实现自然插话打断。
若将音频切片推上云端 ASR，再经云端 LLM 推理与云端 TTS 合成返回，公网往返时延通常在 1.2 至 2.5 秒以上，用户体验呈现明显的停顿滞后感。而端侧边缘算力盒将本地 VAD（毫秒级切音）与板载 ASR 深度绑定，能在用户发声 200–300ms 内完成意图触发，让可打断对话（Barge-in）像真人交谈一样自然流畅。

2. 核心声学数据不出本地，满足严苛合规要求。
在医疗诊室问诊、银行柜台业务办理、政府政务审批以及高管会议室等场景中，语音直接包含姓名、病历、账户及商业机密。端侧方案将原始语音文件留在本地算力盒内存中就地转写，推送到上层业务系统的仅为过滤后的结构化文本，彻底杜绝录音被云端截留与泄密的合规风险。

3. 车间与离线工区断网不中断。
在工业自动化车间、地下管廊或野外应急现场，蜂窝网络常出现抖动或彻底断网。全本地运行的端侧语音终端在首次镜像部署后，本地 VAD、ASR、离线指令匹配（或端侧 4B 大模型）均独立闭环运行，依然能稳定响应设备控制与安全联锁指令。

系统构成与四大现场应用场景

完整的系统架构、技术演进与行业落地场景，详见 音频与声音智能方案。

拾音阵列（前端声学与硬件 AEC） → 边缘算力盒子（VAD/ASR/LLM/TTS） → 扬声器外放 → 业务系统

按交互方式与任务复杂度，现场应用可划分为四大典型场景：

场景 1：服务窗口与柜台对讲（双向转写留痕）

• 现场特征：工作人员与办事群众隔窗对话，距离约 0.8–1.5 米，两侧存在大厅人声嘈杂与翻动纸张噪音。
• 方案策略：部署 ReSpeaker Lite（2 麦 USB 线性阵列），通过硬件波束成形抑制侧向噪音，配合 reComputer RK3576 运行 SenseVoice，实现高精度双向语音转写留痕，自动生成工单。

场景 2：会议室与圆桌多方讨论（全向拾音与声源测向）

• 现场特征：参会人员环绕会议桌而坐，距离麦克风 2–4 米，多人可能轮流或交替发言。
• 方案策略：桌面中心平放 ReSpeaker Mic Array v2.0（4 麦环形阵列），板载 XMOS 芯片提供 360° 全向拾音与 DOA（声源到达角）计算，不仅能清晰拾取各角度发言，还能输出发言人方向角，辅助算法区分不同发言人。

场景 3：展陈导览与服务机器人（全双工强打断）

• 现场特征：设备自带中大功率扬声器播放讲解词，参观者会随时打断提问；若麦克风性能不足，播音声音会被麦克风重新录入导致剧烈自激啸叫或误识别。
• 方案策略：部署搭载旗舰 XMOS DSP 的 ReSpeaker XVF3800，扬声器输出信号直接引回处理芯片作为参考信号，利用硬件级深度双讲（Double-talk）算法消除自身放音，保证参观者开口瞬间立即切断播放、转入聆听。

场景 4：工业控制机柜与特种工位（离线免唤醒控制）

• 现场特征：车间电机运转与风机稳态噪音达 70dB 以上，工人双手被工具占用，要求下达“主轴暂停”、“切换工单”等即时指令。
• 方案策略：采用定制降噪参数的拾音单元配合 reComputer RK3576，在本地加载轻量关键词唤醒（KWS）与离线控制模型，通过板载 DI/DO 或 RS485 接口直接联动 PLC 执行急停与切换动作。

落地部署的四步选型法

第一步：按拾音距离与安装方式，选前端麦克风阵列

麦克风是整个系统的输入源头。任何算力都无法修复物理信噪比严重劣化的音频。根据现场声学物理条件横向选型：

关键决策规则：

1. 只要涉及机器外放说话且需要被打断 → 严禁选用无硬件 AEC 的普通麦克风，首选 XVF3800 或 Flex。
2. 需要会议多发言人声源定位 → 首选 ReSpeaker Mic Array v2.0，机身 RGB 环形灯与上位机可实时读取角度方位。
3. 低成本桌面近场交互 → 首选 ReSpeaker Lite，USB 即插即用免驱识别。

第二步：明确交互闭环，确定是否需要板载硬件 AEC

第三步：按并发路数与端侧模型，选边缘算力盒子

在明确了麦克风输入后，处理端的选型核心看并发路数（转写）与大模型部署位置（对话）：

关键决策规则：

1. 多路窗口/会议录音转写：首选 reComputer RK3576。内置 NPU 对 SenseVoice 进行了算子直通加速，12 路并发下 p95 仅 1 秒出头，单路并发硬件成本低至约 $15。
2. 私密合规、全断网运行大模型：选 reComputer J4012。16GB 统一显存足以在端侧流畅运行 Qwen3.5-4B，彻底脱离公网。

第四步：核对声学结构与供电安装标准

在硬件下单进场前，须与结构与现场电气工程师核对三项工程指标：

1. 扬声器与麦克风的声学物理隔振：
   • 结构物理防短路：如果麦克风与扬声器安装在同一个机壳内部（如机器人头部），扬声器的物理振动会通过塑料外壳直接传导至麦克风振膜，这是任何算法 AEC 都无法消除的物理短路。
   • 减震安装规范：扬声器必须使用硅胶减震垫做结构浮动安装，出音孔与拾音孔物理间距保持在 15cm 以上，腔体做好密封隔离。
2. 主机连接拓扑与线缆距离：
   • 近端同机身直连：麦克风与算力盒子在同一设备机身内直接采用标准 USB 直连（免驱即插即用）。
   • 远端吊顶分体布线：麦克风位于吊顶或远端墙面（距离算力盒 > 3 米）时，使用工业带屏蔽双绞线，或选用搭载 XIAO ESP32-S3 的网络版麦克风经 Wi-Fi/以太网回传 I2S 原始流。
3. 稳态环境噪声实测：
   • 高分贝噪声抑制：现场稳态噪声若高于 70dB（如邻近冲压机或高分贝抽风机），必须在算法前端增加降噪预处理，或将麦克风移近至说话人口唇 30cm 以内。

方案落地与可部署方案

• 完整方案与系统架构：前往 声学与音频 AI 方案 查看麦克风阵列拓扑、本地与云端算力协同架构及动态选型清单。
• 开箱即用工程验证：运行 端侧对话式语音 AI 落地方案 体验端侧 SenseVoice 与大模型闭环，获取实测并发延迟与工程部署脚本。