这一页面向希望用 ESP32 等低成本硬件制作语音交互设备原型的产品团队、OEM 与展示项目负责人。开源固件让第一版原型变得触手可及，但设备只是服务的起点：语音识别、模型、内容与凭据管理等后端服务决定它能否持续工作。
CNPS 协助界定原型范围、梳理依赖项并规划测试。小智 ESP32 等开源项目是技术参考，不是 CNPS 的产品供应或服务合同；原型可用不等于量产承诺，产品测试、供货与商业权利须分别评估。
适用场景
前台或展厅的问答终端
访客用语音询问展品、路线或开放时间。评估重点是噪声环境中的唤醒与识别、打断处理，以及内容更新由谁负责。
面向现有产品的语音配套原型
为现有产品增加语音入口，验证用户是否接受。评估重点是麦克风与外壳的声学配合、延迟，以及每次对话的服务成本。
多语言接待场景
接待中、英、阿等语言用户。评估重点是各语言的识别表现、语音合成质量与切换方式，以及内容是否已获授权。
预期产出
原型范围与依赖项清单
需要提供的信息
一项预期任务、用户、语言、声学条件、预计用量与维护负责人。
如何评估
- 明确麦克风、扬声器、电源与网络。
- 梳理语音、模型和内容服务依赖。
- 测试打断、噪声与断网。
- 规划固件恢复、凭据管理和服务成本。
评估怎么做：分步流程
- 确定一项任务与授权内容
只做一件事：例如回答关于某一产品线的问题。准备已获授权的内容与预期问题，明确预计用户与用量。 - 明确硬件与依赖清单
参照语音原型规格书列出麦克风、扬声器、电源与网络需求，并梳理每一项语音、模型与内容服务的提供方、区域与计费方式。 - 在真实声学环境中测试
在实际使用地点测试噪声、距离、打断与断网情形，记录识别错误、响应延迟与恢复行为，而不是只在安静的办公室里演示。 - 规划生命周期后再谈下一步
约定固件恢复、凭据轮换、服务停用与内容更新方式，估算每台设备每月的服务成本。之后再讨论产品测试、供货与商业权利。
常见误区
- 只算硬件成本
ESP32 板卡便宜，但语音识别、模型与合成服务按用量计费。原型阶段就应记录每次对话的成本，避免推广后失控。 - 在安静环境中演示后直接推广
展厅、前台与街边的噪声与回声差别巨大。没有在目标环境中测试过的原型，不能作为部署依据。 - 忽略许可与商标边界
固件的开源许可不涵盖所使用的云服务、语音、产品设计或商标。面向公众发布前应逐项核对。
试点中要记录的指标
测试开始前先把这些指标定下来，让决策依据你们自己收集的数据，而不是印象。
- 按环境统计的唤醒与识别错误
在真实场所分别统计安静时段、噪声高峰以及每种语言下的误唤醒、漏唤醒与请求识别错误。 - 响应延迟
从用户说完一句话到语音回复开始的时间。记录中位数与最慢的情况，并注明延迟来自哪项服务。 - 打断与恢复表现
记录用户打断、回复中途断网以及设备重启时发生了什么，以及恢复可用需要多长时间。 - 每次对话与每台设备每月的成本
在原型阶段汇总典型交互的识别、模型与合成费用，并按预期对话量推算。 - 内容覆盖率与拒答
统计真实访客问题中落在授权内容范围内的数量、被正确拒答的数量，以及超出范围却被回答的数量。
本页术语对照
报价单、规格书与 SDK 文档通常使用英文术语，因此这里同时列出中文与英文，并说明我们在本页、资料与报价中使用它们的含义。
- 唤醒词 Wake word
- 让设备从监听自己名字切换到处理请求的短语。噪声中的误唤醒与远距离的漏唤醒都需要测量。
- 语音识别（ASR） Speech recognition (ASR)
- 把语音转成文字的服务。通常是按分钟或按请求计费的云服务，有各自的语言覆盖与服务区域。
- 语音合成（TTS） Speech synthesis (TTS)
- 生成语音回复的服务。音色质量、语言支持与面向公众使用的授权是三个独立问题。
- 打断处理 Barge-in / interruption handling
- 用户在设备仍在回复时说话会发生什么。处理不好会让演示在真实使用中显得迟缓。
- 依赖清单 Dependency map
- 设备调用的每一项外部服务的列表，包括提供方、区域、凭证负责人与计费方式，避免某项变更时无人知情。
- 每次对话成本 Cost per conversation
- 一次典型交互的识别、模型与合成费用之和，再乘以每台设备每月的预期对话量。
- 固件恢复 Firmware recovery
- 固件、凭证或服务地址变更时，如何在现场更新或恢复设备，而不必寄回。
- 授权内容 Authorized content
- 设备被允许回答的问题范围以及可以据以回答的材料，在原型面向公众之前与内容负责人商定。
需要确认的事项
原型可用不等于承诺量产。产品测试、供货与商业权利须分别评估。
常见问题
CNPS 会为我们生产语音设备吗？
CNPS 在原型阶段协助界定范围、依赖与测试。量产涉及产品测试、供货、认证与商业权利，需要在原型验证后另行评估与约定。
原型适合面向儿童或公众吗？
演示可用不能证明内容安全、儿童适用性或法规符合性。面向公众部署前，应针对内容边界、隐私与安全做专门评估。
断网后设备还能工作吗？
取决于架构。多数语音功能依赖后端服务，断网时应有明确的提示与恢复行为。这是测试中必须覆盖的情形。
第一个原型需要什么硬件？
一块 ESP32 级别的开发板、麦克风阵列、扬声器和稳定供电通常足以测试交互本身。外壳声学与工业级元器件要等任务与环境确认之后再考虑。
设备能接入我们自己的模型或知识库吗？
通常可以，因为固件调用的是你们配置的后端服务。需要评估的是这个后端能否在可接受的延迟与成本内正确回答，其测试方法与知识助手相同。
现场测试前应准备什么？
授权内容、预期问题清单、目标场所最繁忙的时段、记录每次交互的方法，以及负责判断哪些回答可接受的人。
继续了解
行业参考案例不作为 CNPS 已交付客户项目展示。