看到一个用esp32实现的AI对话方案，这里学习一下代码：https://github.com/wangzongming/esp-ai/tree/master

基本的原理比较简单：

INMP441(MIC) -> audio -> ESP32 -> wake-on-voice -> audio -> esp-ai -> IAT Server -> text -> esp-ai -> LLM -> reply -> esp-ai -> TTS -> esp-ai -> ESP32 -> max98357(loudspeaker)

这里就是看一下具体的代码细节

Client

esp32上跑的代码就是client，需要一个麦克风，以及一个声音放大器。

然后主体的代码分几块，有和server交互的websocket，以及和硬件交互的一些逻辑

这里是声音调节的逻辑，analogRead是从指定的引脚处读取电压，然后计算出音量并设置。这里模拟引脚读出来的是模拟信号，即连续的电压值，值域是0～1023，与之对应的是数字信号，只会读出来0/1

然后看看inference的逻辑：

typedef struct {
  int16_t *buffer;
  uint8_t buf_ready;
  uint32_t buf_count;
  uint32_t n_samples;
} inference_t;
static inference_t inference;

在setup的时候，会调用microphone_inference_start()
* 先分配一个buffer，这个估计是模型的窗口
* i2s_init()
* 看了下介绍，i2s是数字音频传输协议，用来把麦克风得到的信号转化为数字信号
* 这里细节应该没什么可看的，就是麦克风初始化相关的逻辑了，传入的参数中会有buf count和buf len
* xTaskCreate()，创建capture_samples这个任务
* 这里相当于启动了一个持续执行的后台线程，栈的大小为32k，参数为sample_buffer_size，目前是4096
* capture_samples()
* 持续polling，然后用i2s_read从麦克风中读取数据
* 如果目前start_ed 1 && can_voice 1，这里会把这段buffer通过websocket的sendBIN发出去
* 然后在把sample buffer中的数据扩大一倍，提高音量
* 调用audio_inference_callback()
* 把刚刚读取到的sample buffer，传给inference.buffer中，并在数据量大于inference.n_samples的时候，把buf_ready设为1

• 当上面的一个buffer读满了以后，在主循环中的buf_ready就会设置为true，此时会重置buf的状态。
• 调用run_classifier()，这里用的是edge impulse这个平台，是专门用来做嵌入式机器学习的
• 输入是一个singal，里面带了数据的total length，以及一个get_data的callback。这里的get data就是读取inference.buffer中的数据。
• 同步调用，返回成功之后，会有一个classifier的输出值，是result.classification[2].value。如果大于voice_key_threshold的话，目前是0.8，这里就会被唤醒，并设置start_ed = 1，表示开始录音了。开始录音之后，后续的从麦克风中读取出来的数据就会通过webSock发送到server端了。

这里的websocket设置了onEvent，用来在一些事件发生的时候，调用对应的callback。基本上比较关键的就两个：
* WStype_TEXT，是对端发来text类型的消息，这里会根据发来的字符串做一些操作，比如指明本次对话结束，本次语音识别结束等
* WStype_BIN，是对端发来的binary类型的消息，这里具体就是音频，会直接通过i2s播放出来

Server

感觉不用看了，就是接收esp32发来的消息，调用对应的api得到数据，再把音频发回去。感觉逻辑比较简单，就不看了，后续在实现过程中如果遇到了问题再来

初步看了看感觉IAT的流程稍微恶心一点，服务商应该都有基本的实例，问题也不大。