嵌入式语音识别：在微控制器上部署卷积神经网络的实践

本项目展示如何在资源受限的微控制器（MCU）上部署卷积神经网络（CNN）实现数字语音实时识别，通过30000个单秒音频样本训练模型，为边缘AI应用提供实用范例。核心价值在于本地化处理降低延迟、保护隐私，无需网络即可工作。

随着物联网普及，AI从云端推向边缘成趋势。MCU运行ML模型可降低延迟、保护隐私，无网络也能工作。语音识别作为人机交互核心，本地化尤为重要，如智能家居控制无需上传数据，确保隐私与网络不稳定时的可靠性。

CNN选择原因：局部特征提取适配语音频谱局部相关性；计算并行高效适合MCU；权重共享参数少节省内存。 特征工程：原始音频经分帧、加窗、傅里叶变换、梅尔滤波、对数压缩得到梅尔频谱图（二维矩阵）。 网络架构：轻量级设计，2-3层卷积层（3x3/5x5核+池化），1-2层全连接层，输出层10神经元对应0-9。 训练策略：数据增强（时间拉伸、音调变换、噪声添加等）；正则化（Dropout、L2、早停）防止过拟合。

模型量化：将32位浮点数转为8位整数，体积缩至1/4，保持95%+精度（权重量化或全量化）。 推理优化：内存管理（静态分配、缓冲区复用、分块处理）；计算优化（利用DSP指令、循环展开、查表法）。 实时性：推理延迟控制在100ms内，音频采集与推理并行，结果缓存避免重复计算。

音频采集：MCU通过ADC采集麦克风信号，采样率8-16kHz，位深12-16位，双缓冲连续采集。 处理流程：触发采集→记录1秒音频→提取梅尔频谱→CNN推理→输出结果，全程本地完成无需网络。

实用场景：语音拨号、密码输入、数量控制、设备编号等。 扩展可能：增加输出神经元扩展词汇；收集更多数据；调整网络结构；优化特征参数；改为二分类实现唤醒词检测。

当前限制：词汇量仅10个数字；说话人依赖；噪声鲁棒性差；仅支持孤立词。 改进方向：关键词spotting优化；说话人自适应；多语言支持；端到端学习减少手工特征工程。

本项目完整展示边缘AI开发流程（数据准备→训练→部署优化），证明MCU上可实现实用语音识别。为开发者提供约束下设计网络、高效部署的经验。随着TinyML发展，边缘AI将更普遍，为物联网带来智能化体验。