边缘语音 AI 选型指南：转写与对话、拾音与本地算力

语音项目的硬件由三件事决定：做转写还是做对话、哪些环节必须留在本地、麦克风放在哪里。三件事分别决定是否需要扬声器与板上回声消除、算力盒子的档位，以及麦克风的型号与连接方式。

本文给出四步选型方法，附 reSpeaker 系列 AI 麦克风的形态、标称拾音距离与参考价，以及 5 款本地算力设备的语音转写并发实测、对话语言与本地大模型能力。并发路数为 ASR 服务在指定语料上的实测值，不含 VAD、上传与入库——取数口径见文末。

结论速查

以下为后文推导的结论汇总，与「音频与声音智能」技术页配置器的三个问题（要做什么 / 哪些要在本地完成 / 麦克风怎么放）一一对应。

	要做什么	哪些在本地	算力设备	参考价	麦克风	依据
	转写存档	本地转写	reRouter CM4	约 $246	桌面：reSpeaker Lite	VAD 与 ASR 跑在 CPU，限 1–2 人单点；多点并发选 RK3576
	转写存档	本地转写	reComputer RK3576	约 $199	房间：reSpeaker XVF3800 / 佩戴：reSpeaker Clip	SenseVoice 12 路并发，p95 1067 ms
	转写存档	上传云端转写	不需要	—	Lite / XVF3800 / Clip	音频上传 SenseCraft Voice 转写，只买麦克风
	语音对话或可打断对话	语音在本地，大模型用云端	reComputer RK3576	约 $199	XVF3800 / Flex（不需要打断时可选 Lite）	本地 VAD、ASR、TTS，只把识别出的文字发往大模型
	语音对话或可打断对话	全部在本地（含大模型）	reComputer J4012	约 $1299	XVF3800 / Flex（不需要打断时可选 Lite）	语音与 Qwen3.5-4B 同板
	语音对话或可打断对话	全部走云端	reRouter CM4	约 $246	XVF3800 / Flex（不需要打断时可选 Lite）	本地只做 VAD 与音频收发，需持续联网

参考价为查询当时算力设备的整机参考价，不含麦克风（各型号价格见第二步），下单以商品页为准。

三项会改变上表结论的条件：

• 需要可打断 —— 麦克风限定 reSpeaker XVF3800 或 reSpeaker Flex，板上 AEC 消除设备自身播放的声音；配置器的可打断路线不含 Lite
• 对话语言不止中文、英文 —— reComputer RK3576 的对话链路覆盖中文、英文；其余语言选 reComputer RK3588、J3011 或 J4012，三者覆盖全部 30 种对话语言
• 说话人距麦克风超过约 3 m，或稳态噪声高于约 70 dB —— 先调整麦克风位置或数量，再讨论算力；识别准确率在这两个条件下先于算力劣化

已经知道需求、本地范围与麦克风位置的，用下面的配置器直接生成设备清单；想先弄清这些选择的依据，往下看四步方法。

为什么把语音处理放在本地

下面四步中「哪些在本地」是一个显式选项，选择依据来自本地处理的三项性质。

音频不出现场。 本地转写时，音频在现场完成 VAD 与 ASR，上传的是每句最终转写文本。语音在本地、大模型用云端时，发往云端的也只有识别出的文字。

装好后可断网运行。 全本地对话路线在首次联网启动、下载完镜像与模型后，VAD、ASR、TTS 与大模型均在设备上运行，不依赖外网。

对外接口与云端一致。 两条本地大模型路线（reComputer J4012、reComputer RK3588 + NPU 扩展卡）在设备上提供 OpenAI 兼容的 Chat Completions 接口，与云端套餐之间切换只改接口地址，上层应用不用改。

系统构成与三类语音能力

AI 麦克风 → 算力盒子 → 扬声器 / 输出 → 应用

语音系统由四类角色组成：

• AI 麦克风——拾音，并在板上完成回声消除（AEC）、降噪、波束成形等前端处理，处理后的音频再交给主机
• 算力盒子——运行需要留在本地的能力：语音活动检测（VAD）、语音识别（ASR）、语音合成（TTS）、大模型（LLM）
• 扬声器 / 输出——对话路线接扬声器播放回复，扬声器接在麦克风板上，回复播放与回声消除在同一块板上完成；转写路线只输出文字
• 应用——接收文字或语音，对接业务系统

按交互方式，语音应用分三类，所需能力依次增加。

转写存档：把说话内容变成可检索的文字

门店柜台、会议室、诊室、巡检现场的对话被转成结构化文本，用于复盘与检索。设备不需要回话，所以不需要 TTS、大模型与扬声器。需要的是 VAD（切出有人说话的片段）与 ASR。

语音对话：听懂后用语音回复

双手被占用的岗位，用语音查询与回复代替屏幕操作

设备听到问题后，由大模型生成回复，再用 TTS 播出，一问一答。在转写所需的 VAD、ASR 之上，增加 TTS、大模型与扬声器。

可打断对话：设备说话时用户可以插话

设备播放回复期间，用户开口，设备立即停止播放并听新的一句。这要求麦克风在扬声器发声时仍能分辨人声，因此依赖麦克风板上的 AEC。不要用播放期间静音麦克风的办法规避回声：回声消失的同时，打断也无法触发。

第一步：确定要做什么，推出需要哪些能力

两条规则：

1. 只要文字、设备不回话：走转写路线。第二步可选佩戴式 Clip，第三步可以不放算力盒子（上传云端转写）
2. 设备要回话：麦克风板必须带扬声器输出与板上 AEC；如果用户会在设备说话时插话，第二步只能选 XVF3800 或 Flex

第二步：确定拾音方式与连接方式

按麦克风放在哪里选型号

	麦克风	形态	标称拾音距离	覆盖角度	板载功放	适用	参考价
	reSpeaker Lite	桌面放置 · 双麦	3 m	180°	5 W	桌面近场，一两个人；转写、语音对话	约 $25
	reSpeaker XVF3800	放置式 · 圆形四麦	5 m	360°	5 W	房间中间，多人；转写、对话、可打断对话	约 $55
	reSpeaker Flex Circular-4	分体式 · 圆形四麦	5 m	360°	10 W	装进机器人或整机；对话、可打断对话	约 $55
	reSpeaker Flex Linear-4	分体式 · 线形四麦	5 m	约 180°（抑制后方）	10 W	整机只需前向拾音	约 $55
	reSpeaker Clip	佩戴式 · 双麦	3 m	360°	—	巡检、外勤、门店导购；仅转写	约 $76

四条选择规则：

1. 多人围坐的房间，或需要可打断：选 XVF3800。360° 拾音，板上 AEC 与降噪，USB-C 一根线供电并传数据；对话式语音可部署方案默认使用它
2. 麦克风要装进机器人或整机外壳：选 Flex。阵列板与处理板分体，经排线连接，阵列可放在外壳任意位置；只需前向拾音选 Linear-4。10 W 扬声器负载经板上外部 12 V 电源端子驱动
3. 桌面一两个人，只做转写或不需要打断的对话：选 Lite
4. 说话人要走动（巡检、外勤、导购）：选 Clip。可脱离手机连续录音 14–18 小时，音频经手机 App 上传；只用于转写

按主机位置选连接方式

• 麦克风与算力盒子在一处：用 USB 直连，购买不带 XIAO 的版本，出厂即可使用
• 麦克风离主机远，或整机只放一块 MCU：购买带 XIAO ESP32S3 的版本，刷写 I2S 固件；服务端的音频接收与转写需自行部署，交付工作量高于 USB 路线。固件与示例工程见 reSpeaker XVF3800 Wiki
• Clip 不走以上两种方式，音频经手机 App 上传

适用边界。 拾音距离与覆盖角度为规格值，现场实际距离受混响与噪声影响，核对方法见第四步。

第三步：确定哪些在本地，选算力档

本地范围选项

各算力档实测

	设备	本地能跑	SenseVoice 推荐并发路数	p50 / p95	对话语言	本地大模型	参考价
	reRouter CM4	VAD · ASR（CPU）	仅适合 1–2 人单点；多点并发选 RK3576	—	—	—	约 $246
	reComputer RK3576	VAD · ASR · TTS（NPU）	12 路	583 / 1067 ms	中文、英文	走云端	约 $199
	reComputer RK3588	VAD · ASR · TTS（NPU）	8 路	659 / 902 ms	30 种	加 NPU 扩展卡运行 Qwen3-4B	约 $279
	reComputer J3011	VAD · ASR · TTS（GPU）	32 路	167 / 293 ms	30 种	不在本板运行 4B 模型	约 $699
	reComputer J4012	VAD · ASR · TTS · 大模型	48 路	505 / 789 ms	30 种	Qwen3.5-4B 同板	约 $1299

测试条件：SenseVoice 模型，每条音频不超过 4 秒，p50 / p95 从 ASR 语音结束计时到最终结果，不含 VAD、上传与入库。准确率用同一份 100 条语料另行评估：中文 CER 在 4 台设备上均为 4.82%，英文 WER 在 7.50%–8.51% 之间。参考价为查询当时的整机参考价，以商品页为准。

四项选择规则：

1. 仅转写、单点、一两个人：reRouter CM4 即可；多点或多路并发时选 reComputer RK3576
2. 对话，大模型走云端：中文、英文选 reComputer RK3576；其他语言选 reComputer RK3588
3. 对话，全部在本地：选 reComputer J4012；已采用 RK 平台的项目选 reComputer RK3588 + NPU 扩展卡（联系方案专家）
4. 同一台设备还要跑视觉等 AI 负载：选 reComputer J3011，大模型走云端

适用边界。 上表为同一语料、同一 ASR 服务下的横向对照，用于确定选型区间，非验收指标。以下情况需在目标现场实测：单句音频明显长于 4 秒；需要把 VAD、上传与入库计入端到端时延；以英文或中英以外语言为主；用 reRouter CM4 做正式容量规划。

第四步：核对现场声学条件

算力选型成立的前提是麦克风拿到可识别的人声。判断顺序：先距离与噪声，再回声。

超过约 3 m 或稳态噪声高于约 70 dB 时，阵列难以分出说话人，词错率在算力发挥作用之前已经劣化。这两个边界来自零售语音转写可部署方案的适用说明，用作现场勘察的判断线，不是实测阈值。

可打断对话的验收方式：扬声器开到正常房间音量，在真实房间内连续三轮，每轮在回复开始后 0.5–1 秒插话，确认旧回复立即停止且插话内容没有丢失。低音量下通过验收的终端，在实际工作音量下可能因声学原因失败，与模型无关。

面向方案商与系统集成商：从验证到交付

若方案用于向下游客户交付，以下三项在选型阶段确认。

验证路径。 语音对话与可打断对话有可运行的可部署方案，可用于提案阶段搭建演示环境：见 对话式语音 AI。

接入自有系统。 对话路线的对接点是 OpenAI 兼容的流式 Chat Completions 接口：把接口地址指向自有的 RAG 服务、工单或点单后台、机器人指令层，语音层不需修改。本地与云端大模型之间切换同样只改接口地址。转写路线把每句最终转写以文本形式上传到业务系统。

硬件定制与批量供货。 外壳、品牌标识、包装与接口改动可作为定制项目评估；reSpeaker Flex 的分体结构可按整机外壳布置阵列位置。具体定制范围、认证覆盖与交付周期见 ODM/OEM 定制服务。