设备上的远场拾音与打断、本地识别与理解、语音指令驱动设备。
交互终端自身喇叭播放音频时,麦克风极易被自身声音回灌堵塞,导致机器在播报时无法听到外部人声,用户必须等机器人说完才能再次发问,交互生硬迟钝。
终端集成硬件级声学回声消除(AEC)阵列板,在芯片层直接消除自身参考播放信号,即使在 80dB 播放大音量下依然能瞬时捕获用户插话指令并即刻切断播报。
核心优势
依赖公网云端大模型服务在弱网或专网断网环境下完全停摆瘫痪,按调用次数计费使长期运行运营成本失控,且企业敏感业务数据存在出境合规隐患。
边缘主机板载神经处理单元,在本地离线运行端侧 ASR、轻量参数大语言模型与端侧语音合成,全流程零外网依赖且响应延迟稳定控制在 1 秒以内。
核心优势
具身智能机械臂或服务机器人依靠传统键盘触屏操作无法解放工作人员双手,而网络语音指令控制延迟波动大,极易引发机械臂抓取动作滞后或碰撞干涉。
机器人就地内嵌小型边缘算力模块,通过低延迟语义意图抽取将口头指令就地解析为结构化坐标与动作代码,经内部高速总线在几十毫秒内直驱关节执行抓取。
核心优势
配置器按用途、音色档次、并发、本地大模型、拾音方案与延迟要求逐步给出具体型号。
不确定怎么选? 看完整的选型攻略 →
一步一问,逐步收敛到推荐清单
仅做唤醒词 / 命令词;搭配客户自有上位机
| 硬件/物料名称 | 数量 | 型号/SKU | 说明 |
|---|---|---|---|
| XIAO ESP32-S3 Sense (板载麦克风) | 1 | 113991115 | - |
单语种本地 STT,无 TTS;适合会议笔记 / 语音记事
| 硬件/物料名称 | 数量 | 型号/SKU | 说明 |
|---|---|---|---|
| ReSpeaker Lite (2-Mic 近场) | 1 | 107990273 | - |
| reRouter CM4 102032 | 1 | 110110205 | - |
多语言识别 + TTS;可选云端或本地 LLM
| 硬件/物料名称 | 数量 | 型号/SKU | 说明 |
|---|---|---|---|
| ReSpeaker Lite (近场 ≤3m) | 1 | 107990273 | - |
| reRouter CM4 102032 — 机器音入门(单语种) | 1 | 110110205 | - |
算力放在哪台设备,决定整机能跑哪些语音功能和单台 BOM。常见做法分 3 类:
核心优势
| 产品图 | 设备 | 纯语音并发 | 语音能力 | 本地大模型 |
|---|---|---|---|---|
![]() | reRouter CM4 系列 | 单路 | 机器音 | 不支持(可选云端) |
![]() | reComputer RK3576 系列 | 单路 | 模拟音 | 4B–7B(需 RK1828 加速卡) |
![]() | reComputer RK3588 系列 | 单路 | 模拟音 | 4B–7B(需 RK1828 加速卡) |
![]() | reComputer J30 系列 | 单路 | 真人音 | ~2B |
![]() | reComputer J40 系列 | 2–3 路 | 真人音 | 4B–7B |
![]() | reComputer J50 系列 | 3 路以上 | 真人音 | 7B–14B |
![]() | NVIDIA Jetson AGX Thor Developer Kit | 6 路以上 | 真人音 | 14B–32B |
架构图中间的「语音主机(ASR / TTS / Agent)」区块由下表选型(族级):各设备族的纯语音并发、语音能力与可部署的本地大模型规模;具体型号、配置与配件组合在下方配单器里选择(麦克风与扬声器选型见下个 Tab)。注:本地大模型与语音链路同机运行时性能会有折损、响应延迟会增加;高并发 + 大模型建议选更高算力档位。
核心优势
| 产品图 | 产品 | 类型 | 适用范围 | 关键参数 |
|---|---|---|---|---|
![]() | ReSpeaker Lite | 拾音 (近场) | ≤ 3m / 桌面 / 单人工位 | 2-Mic 阵列 / 板载 AI 音频处理 / USB · I²S |
![]() | ReSpeaker XVF3800 | 拾音 (中远场) | 3–5m / 会议 / 客厅 / 工位 | 4-Mic / XMOS DSP / AEC / 含 ESP32S3 唤醒前端 |
![]() | reSpeaker Clip | 拾音 (佩戴式) | 佩戴随身 / 最远 3m / 360° | 2-Mic PDM / SpeexDSP 降噪 / 蓝牙 BLE 5.3 + Wi-Fi |
![]() | ReSpeaker Flex Circular-4 | 拾音+出声 (圆形) | 装进设备 360° / 含唤醒前端 | 4-Mic / XMOS DSP / AEC / 含 ESP32S3 / 10W 功放 |
![]() | ReSpeaker Flex Linear-4 | 拾音+出声 (线形) | 装进设备 180° / 含唤醒前端 | 4-Mic / XMOS DSP / AEC / 含 ESP32S3 / 10W 功放 |
麦克风的核心选型变量是"拾音距离"与"环境噪声"。拾音 + 出声搭配的关键参数与推荐组合如下。
核心优势
看对话模型放在哪。选本地大模型(RK3588 加 RK1828 加速卡,或 J4012)时,识别、对话和语音合成都在设备上,首次联网下载镜像和模型后可断网运行。选云端模型时,对话需要联网,识别和语音合成仍在设备上。
取决于算力档位:RK 系列与 J3011 为单路;J4012 支持 2–3 路;J5012 可达 3 路以上——以上均为纯语音处理链路(识别+合成)的测试基准,接入本地大模型后算力被占用,建议按单路规划。多点位场景也可以多台设备横向扩展。
音频不会。识别和语音合成在设备上完成,录音不上传。选云端模型时,识别出的文字会发往你配置的模型接口;选本地大模型时,文字也留在设备上。对接业务系统时,传出去的是识别后的文字。
可以。唤醒词支持简短的中文或英文短语,启动时生效,灵敏度分严格、平衡、灵敏三档。音色分机器音、模拟音、真人音三档;J4012 上的真人音模型可用参考音频克隆音色。
提供一年硬件质保和一年技术支持。涉及二次开发的内容(自研应用、深度定制)建议走定制服务通道,由项目团队评估支持方式。
可以。方案中用到的 Seeed 设备支持定制 Logo、外观、包装和预装固件,也能在现有型号基础上增减接口或功能。可以直接,具体范围和流程见 ODM/OEM 定制服务。