note_sync/有趣的项目/AI桌面陪伴助手/AI桌面陪伴助手方案.md

AI 桌面陪伴助手 · 实施规划 v2.4

📁 代码已与本文档分离（2026-09-15）。本目录（Obsidian 笔记库）只保留 方案、P0 报告和硬件记录；所有代码在 ~/workspace/ai-companion/ （独立 git 仓库），包括：助手本体、TTS 服务、P0 基准脚本、ESP32 固件、 README.md（代码说明）、部署说明.md（运维）——这两份也在代码仓库。

更新：2026-09-15。状态：助手本体已在服务器上实现并跑通（端到端测试 16/16）；设备侧（N5095 外设桥、ESP32）尚未开始。 已确认：Ubuntu 24.04；N5095 / 16G 作为客户端；助手本体部署在 cadadmin-server（i9-14900K / 3090）；麦克风、音箱、摄像头均未购；屏幕已于 09-14 到货并点亮（2.8 寸 ILI9341 触摸屏，非原定的 1.28 寸圆屏）。 核心目标：听得清、回应及时、可打断、表情明确、转头自然。 最新外形要求：屏幕不用太大；摄像头水平可用旋转总行程至少180°，按正前方左右各90°理解，不是镜头视场角180°。 原方案备份：AI桌面陪伴助手方案.v1备份.md。本版指标为拟定目标，不是已测性能。

本版重大变更：架构从"单机"改为"服务器即助手、本地为客户端"。

起因要说得准确：N5095 并非跑不动本地语音。实测证明它能跑 Zipformer STT（RTF 0.22）和 Piper TTS（RTF 0.36），是一条可用的低配本地链路。 真正的问题是——它达不到当前的目标音质与延迟：音质令人满意的 Qwen3-TTS 在 N5095 上 RTF 高达 1.86（慢于实时），而服务器上只有 0.09。 所以是"本地语音可用但不够好"，不是"本地语音不可行"。 详见 P0-语音基准报告.md。

变更后 N5095 只做 USB 外设接入与网络桥接，不运行 STT/TTS/LLM 等重型推理 （轻量推理仍在本地，见 §1）。 详细部署现状见代码仓库里的 部署说明.md，实测数据见本目录的四份 P0 报告。

1. 范围与待讨论事项

第一版做好中文语音、屏幕表情、按用户隔离的记忆；同一轮开发加入多人脸跟踪、轮流交互和显式身份切换。录入式人脸识别作为可关闭的试验功能，实测达标后用于身份建议；重叠说话分离、可靠声纹认人不作为首版要求。视觉问答和米家后续加入。

项目	状态/建议	影响
主机分工	服务器（cadadmin-server）跑助手本体；N5095 降为客户端/外设桥	v2.4 重大变更，见 §2
服务器	i9-14900K / 32线程 / 188G / RTX 3090 24G，局域网延迟 1–2ms	与 N5095 同局域网，1ms 级
N5095 角色	USB 麦克风阵列、USB 摄像头、DoA 读取、WebRTC 客户端、串口给 ESP32	不运行 STT/TTS/LLM 等重型推理；本地仍跑 VAD、唤醒词、人脸检测等轻量推理（这些延迟敏感或依赖本地硬件，放服务器反而更慢）
使用人数	本人使用为主，同时考虑多人扩展	首版基础多人，身份与会话从一开始分离
新增预算	服务器为复用已有机器，不算追加采购	音频优先，其次屏幕，再机械
操作系统、现有外设	Ubuntu 24.04 已确认；麦克风、音箱、摄像头都没有；屏幕已到货	需采购音频与摄像头
使用距离	待确认；暂以桌面约0.5～2米作为测试设计假设	不能当作已确认需求或性能保证
屏幕	已到货：2.8 寸 ILI9341 触摸屏（与原定 1.28 寸圆屏不符，待确认最终形态）	见 ESP32-S3与2.8寸SPI触摸屏接线记录.md
摄像头旋转	水平可用总行程至少180°，正前方左右各90°	优先屏幕与摄像头共用一轴头部，麦克风固定底座
LLM	DeepSeek deepseek-flash（云端，关思考）；本机 Qwen3.8-27B 已停用	首 token 0.8–1.2s；月费来自 LLM 与按需视觉
TTS	Qwen3-TTS 1.7B（服务器 3090），Serena 音色 + 轻快活泼指令	RTF 0.55–0.94；首音延迟的主要来源
STT	Zipformer 中英双语 int8（CPU）——仍是 2023 年模型，中文识别率未测	v2.4 未替换，遗留项
米家设备	到扩展阶段收集型号、地区、网关/HA情况	集成与采购选择
结构	屏幕/摄像头到货后称重，确认加工条件	电机、支架、电源

2. 总体架构

┌─ cadadmin-server（192.168.0.20）—— 助手本体 ────────────────┐
│  会话引擎（身份 → 记忆 → LLM → TTS）                        │
│  ├─ LLM：DeepSeek deepseek-flash（云端，关思考）            │
│  ├─ TTS：Qwen3-TTS 1.7B（RTX 3090，独立 HTTP 服务 :18040）  │
│  ├─ STT：Zipformer 中英宽带 int8（CPU 4 线程）              │
│  ├─ 记忆：SQLite（按 owner_user_id 强制隔离）               │
│  └─ 身份：手动切换 + 访客兜底                               │
└────────────────────────────────────────────────────────────┘
        ▲ WebRTC（计划）              ▲ 手机/浏览器客户端
        │ 局域网 1–2ms                │
┌─ N5095 / 16G —— 客户端 / 外设桥 ───────────────────────────┐
│  USB 麦克风阵列（固定底座）──处理后音频、DoA──┐             │
│  USB 摄像头（随头部转动）──本地图像───────────┤             │
│  ├─ DoA 读取（本地，**不过网**——转头回路延迟敏感）          │
│  ├─ 本地人脸检测 / 目标锁定 → 角度控制（不依赖LLM响应）      │
│  ├─ 插话检测、音频编解码、WebRTC 客户端                     │
│  └─ USB 串口 115200 → ESP32                                │
└────────────────────────────────────────────────────────────┘
        │
        ▼
ESP32-S3：本地表情、运动轨迹、限位、心跳超时处理
  ├─ SPI → 2.8寸 ILI9341 触摸屏（已到货）
  └─ 控制信号 → 一轴执行器（独立合适供电支路）

• 分工原则：延迟敏感且硬件绑定的留在本地（音频进出、唤醒、VAD、 插话检测、DoA、表情/动作），算力密集的放服务器（STT、TTS、LLM 调用、记忆）。
• Pipecat作为唯一会话管线框架。服务器侧用 WebRTC 传输（SmallWebRTC）， 它自带 AEC、抖动缓冲、丢包恢复的实现，省去了自行编写。 传输选型
• ⚠️ 但"WebRTC 自带 AEC"不等于 AEC 问题已解决。 框架有实现，不代表 链路配置对了。至少要满足：
  1. N5095 的 WebRTC 客户端把麦克风采集和扬声器播放参考信号都正确 送入音频处理模块——播放参考缺失或时间戳不对齐，AEC 就不会工作；
  2. XVF3800 自身的 AEC 路由要实测（它自己也会做回声消除，两处 AEC 串联可能互相干扰，需要确认该用哪一个、另一个是否要关）；
  3. 打断检测依赖 AEC 的输出质量，AEC 不对，打断就会误触发或漏触发。 P2 的 AEC 项保持"待验证"，在真实麦克风+音箱接上并实测前不算通过。
• 不叠加Vision Agents：它是Stream的独立框架，不是Pipecat官方扩展。人脸检测另选轻量本地模型。项目官方仓库
• STT/TTS采用可替换适配器（本地/远端两种后端已实现）。LLM 为 DeepSeek deepseek-flash；这是可更新别名，实施时记录实际版本并做流式/工具调用验证。 实测必须显式关闭思考模式，否则多轮与工具回灌一律 400。 官方公告 · 详见 P0-DeepSeek验证报告.md
• 视觉跟随在客户端做（N5095 本地），先试640×480、5～10fps， 按CPU、温度和延迟调整，未承诺该帧率已可达到。视觉问答按请求抓拍和缩放上传， 不持续发送视频。
• CPU标称TDP不能当整机常开功耗；实际插座功率、风扇噪声、温度在原型阶段测量。
• 降级策略：服务器或网络失效时，本地按键、静音和屏幕继续工作； 建议保留一个极小的本地 TTS 兜底（piper-x_low 仅 20MB、RTF 0.17）， 用于播报"网络断了"——这是设备失联时唯一能出声的东西。

视频采集与框架边界

• Ubuntu由单一CameraService通过OpenCV/V4L2打开摄像头，维护带单调时间戳的最新帧；检测、身份候选和视觉问答共享采集源，不分别抢占设备。
• 本地检测以低分辨率/限帧消费最新画面，积压时丢旧帧；按需问答读取足够清晰的新帧并缩放编码。必要时从较高分辨率采集再降采样，实际USB带宽和解码负载需测试。
• Pipecat通过自定义适配器接入图像帧/取图工具。模型支持图像不等于当前Pipecat适配器已支持该模型的图像格式；P0补测纯文本流式、图片输入、工具调用、取消/超时四条路径。图像不通过时先修适配，不因此更换整套框架。Pipecat DeepSeek服务
• 图像请求带request_id、拍摄时间和会话轮次，过期帧拒绝使用，图片不无限留在对话历史中。摄像头拔出后禁用视觉，语音保持可用。
• 音频回调只做轻量读写；识别、合成和视觉推理在受控工作线程/进程执行，不能阻塞会话事件循环。各队列有限长，TTS限制预生成量。

3. 实施阶段与验收

阶段通过后再扩大范围，不预先给出未经验证的固定工期。

进度列说明：✅ 完成 · 🔶 部分完成 · ⬜ 未开始

阶段	实施内容	拟定完成标准	进度
P0 环境与服务	盘点Ubuntu版本/USB；固定依赖；本地STT/TTS基准及DeepSeek请求	样例音频/文本先测试；设备到货后10次录放测试；记录RTF、首音延迟、CPU和内存	🔶 环境盘点、STT/TTS/LLM 基准、DeepSeek 四条路径均已实测；缺 10 次录放（无音频硬件）。STT 中文识别率仍是未闭合项
P1 基础语音	按键启动；流式回复；停止按钮；超时提示	20轮固定中文用例至少18轮完成；短问答结束到首段有声回复，目标P50≤2秒、P95≤4秒	🔶 链路已跑通（文本/音频 → STT → 记忆 → LLM → TTS → 音频，16/16 通过）；缺实时音频进出、按键、20 轮用例。首音实测约 1.5s，加 VAD 后 2.0–2.2s，卡在目标线
P2 外放与表情	AEC、打断、唤醒；听/想/说/离线/静音表情	指定距离音量下20次打断至少18次成功；检测到有效用户语音至停播目标≤300ms；30分钟外放无自我触发；运行2小时稳定	⬜ 未开始。AEC 待验证——WebRTC 有现成实现，但需要麦克风采集与播放参考正确送入、且 XVF3800 自身的 AEC 路由要实测（见 §2）
P3 多用户记忆	用户档案、显式切换、偏好/摘要/修改/遗忘	两个用户同一问题得到各自偏好；未知用户无私人记忆；重启保留、更正/删除有效	🔶 数据层已实现并测试（身份隔离、越权删除、级联清理、候选不参与检索共 28 项）；缺"修改/遗忘"的用户入口
P4 一轴转头	静态DoA/人脸验证，再接电机；锁定和限位	左/中/右各10次唤醒至少27次转向正确区域；轻微移动不频繁摆动；断联/重启不撞限位；运动时重复P2测试	⬜ 未开始，待摄像头与电机
P4a 基础多人/身份试验	2～3张脸跟踪；轮流发言；可选录入式人脸识别	20次轮流唤醒至少18次选中正确目标；同方向/交叉/遮挡时允许拒判；未知人、身份切换不得串记忆	🔶 IdentityProvider 接口与手动切换已实现（人脸候选不自动切换已测试）；缺人脸检测
P5 扩展	按需视觉问答；HA接一盏灯	检查10次视觉请求；开关灯、离线、超时均反馈真实结果	🔶 工具调用链路已验证（DeepSeek 与本机 vLLM 均通过）；缺米家与视觉

验收记录距离、背景声音、播放音量、网络、模型版本、样本数。目标用于定位瓶颈，不保证所有环境都达到。耳麦通过不能代替远场外放验收。

v2.4 新增的验收项：

• 首音延迟必须按部署机（服务器）测，不能沿用开发机的数字。 同一份代码在 N5095 上首音 1980ms，在服务器上 179ms（vits 时代）。
• TTS 与 STT 的线程配置分别测。实测两者线程扩展方向相反： STT 超过 2 线程急剧退化（N5095 无 AVX2，4 线程慢 3.9 倍）， TTS 是线程越多越快。不能沿用一套配置。
• 换语音模型时必须重测首音延迟。Qwen3-TTS 比 vits-zh-ll 音质好一个档次， 但首音从 179ms 涨到 1545ms（8.6 倍）。音质与延迟在这个硬件上是此消彼长的。

P2的30分钟/2小时测试仅是初步门槛，不能证明长期稳定。阶段通过后做一次正常音量下至少8小时运行：记录误唤醒次数、内存增长、音频欠载、重连及温度。P4a把“转对人”和“认对身份”分开统计，额外报告误认、拒判、切换次数，不用总成功率掩盖串身份。测试人数不足时，多用户记忆可用模拟身份测试，人脸/发言者匹配则明确标记未实测。

4. 分批采购清单

v2.4 更新（2026-09-15）：ESP32-S3 开发板与屏幕已于 09-14 到货并点亮， 但屏幕是 2.8 寸 ILI9341 触摸屏（240×320），与原定的 1.28 寸 GC9A01 圆屏不符。 接线与测试程序见 ESP32-S3与2.8寸SPI触摸屏接线记录.md。 最终屏幕形态待确认——这会影响外壳与转台结构设计，越早定越省返工。 下列清单已按现状调整。

本表未报价：用户预算尚未确定，具体SKU和商家现价需核价。当前实际还缺的只有音频（麦克风阵列+音箱）和摄像头。

第一批：已基本到位

物品	数量	状态
ESP32-S3开发板	1	✅ 已有 N16R8（带 PSRAM）
屏幕	1	✅ 已有 2.8 寸 ILI9341 触摸屏（非原定 1.28 寸圆屏）
USB数据线	按缺口	按缺口补
杜邦线/面包板/绝缘固定件	1套	按缺口补；只用于逻辑低电流，不走电机大电流
瞬时按键	2	待购；会话停止、软件静音，不宣称物理断麦

若最终决定用 1.28 寸圆屏形态，仍需单独采购 GC9A01 模块；若接受 2.8 寸方屏，则本批已完成。 两种形态的表情素材、外壳和结构设计都不同，先定形态再动结构。

同期优先核价：音频套件

物品	数量	优先候选/要求	下单条件
USB麦克风阵列	1	Seeed reSpeaker XVF3800 USB 4-Mic Array成品板	核对具体SKU、USB固件、目标系统、DoA例程、录放音通道、输出与附件；报价合适再买
有源小音箱	1套	需新购；3.5mm模拟输入，体积小，合适独立供电	与阵列输出匹配；初期不选只能走USB音频/蓝牙的音箱
音频线	按缺口	匹配两端的3.5mm音频线	查套装是否自带

阵列官方资料列出USB音频、DoA主机控制、可接耳机/有源音箱的AUX输出。采购成品板，不能仅凭XMOS芯片名替代。Seeed官方文档

拟定路径（v2.4 修正：TTS 已不在 N5095）：

服务器 Qwen3-TTS → WebRTC → N5095 → 阵列 USB 播放端点 → AUX → 有源音箱

AEC 需要实际播放参考；同一板卡也要验证固件/通道配置，不能假定接上即成功。XMOS官方指南

注意：播放链路跨了服务器和客户端两侧，AEC 所需的"播放参考信号"必须在 N5095 本地可得（即从阵列 USB 播放端点或本地播放缓冲取），不能依赖服务器侧的回放时钟—— 两侧时钟不同步，参考信号就对不齐。[详见 §2 的 AEC 说明]

不为了阵列额外购买XIAO ESP32S3，主机直接接USB即可。最终内置喇叭/功放留到结构阶段，按接口、电压、阻抗和功率匹配。

第二批：摄像头

• 需新购普通USB UVC单目摄像头1个，支持1080p及低分辨率模式。为早测多人/身份，可与第一批一起买；无需增加第二台摄像头。
• 优先小巧轻便、可固定、柔软线缆、有视场角资料的型号；近距离物品问答需核对最近对焦距离。
• 摄像头随头部水平旋转，可用总行程至少180°（左右各90°）。这是机械旋转范围，不要求购买180°鱼眼镜头。单摄像头只覆盖当前朝向的视野，转动可依次查看不同方向，不能同时看全180°范围。
• 首版多人按当前视野内、轮流发言验证。镜头选型兼顾多人覆盖与脸部像素，过广视角会让远处脸变小。
• 不需要双目/深度相机和ESP32-CAM。摄像头不影响P0～P3先行。

第三批：机械结构确定后购买

物品	为什么暂缓	解锁条件
舵机/步进	已要求可用行程≥180°，重量/重心/噪声未知，暂不锁MG996R/DS3218	称重后选型；额定/机械行程要有软限位余量，实测可用行程≥180°
电机电源/降压	电压及启动/堵转电流依赖电机	数据表确认，峰值留余量
转台/轴承/支架/外壳	安装孔、重心、线缆弯曲需配合	原型尺寸确定
步进驱动、回零开关、编码器	取决于执行器及是否需要实测位置	电机方案确定
USB Hub	主机可能已有足够接口	P0盘点确认不足
米家网关/新设备	兼容性依型号地区而异	现有设备验证后再定

当前不采购：新主机、GPU、双目相机、HC-05蓝牙、第二块视觉MCU、电池系统。

5. 音频与陪伴行为

语音方案（v2.4 已实测定稿）

STT是语音转文字，TTS是文字转语音。v2.4 起重型语音推理（STT/TTS/LLM）全在服务器， N5095 只做音频进出与本地轻量推理。

准确的表述是：N5095 能完成低配本地语音，但达不到当前的目标音质与延迟。 实测它能跑 Zipformer STT（RTF 0.22）和 Piper TTS（RTF 0.36）；而音质达标的 Qwen3-TTS 在它上面 RTF 1.86（慢于实时），在服务器上只有 0.09。见 P0-语音基准报告.md。

模块	采用方案	实测	备选与限制
VAD	本地轻量VAD	—	单独处理唤醒和说完判断
唤醒	sherpa-onnx中文关键词检测作为候选	—	单独模型/词表，用户确定称呼后调阈值；普通STT不会自动等于唤醒引擎
STT	Zipformer 中英双语 int8（服务器 CPU 4线程）	RTF 0.03	⚠️ 最大功能风险：仍是 2023 年模型，中文真人识别率至今无可信数据。音频硬件到手后优先录制本人语音算 CER，并与 SenseVoice / faster-whisper large-v3 对比（已下载待测）
TTS	Qwen3-TTS 1.7B-CustomVoice（服务器 3090，独立 HTTP 服务）	RTF 0.55–0.94	音色 Serena + 指令"用轻快活泼的语气说"（用户试听选定）。备选：vits-zh-ll（RTF 0.09 但音色不满意）、CosyVoice 2/3（未测）。首音延迟需按真实链路重测，见 §10
LLM	DeepSeek deepseek-flash（云端，关思考）	首 token 0.8–1.2s	本机 Qwen3.8-27B 的 vLLM 已停用——GPU 让给 TTS。可改 AI_LLM_PRIMARY=local 切回，但切回后 GPU 不够跑 Qwen3-TTS

sherpa-onnx官方功能、SenseVoice模型说明、中文VITS模型。以上说明模型/运行时支持，不构成性能保证。

音质与延迟的取舍（v2.4 的核心权衡）：同一台服务器上

配置	首音延迟	音质
本地 Qwen3.8-27B + vits-zh-ll	179 ms	用户不满意
DeepSeek + Qwen3-TTS	1545 ms	用户试听选定

用约 1.4 秒的首音延迟换音质。这个取舍是可逆的（改配置即可）， 但在 24GB 显存下两者不可兼得。后续若装成 flash-attn 或实现真流式， 延迟可望收回一部分——详见 P0-Qwen3TTS报告.md。

P0测试10～20条不同长度中文，覆盖数字、日期、中英混读。记录STT识别错误、语音结束后等待时间、TTS首段耗时和RTF（生成/处理耗时除以音频时长，低于1表示平均快于实时）。音频与视觉并发时重测，限制推理线程和视觉帧率，避免CPU争抢。 v2.4 补充：STT 与 TTS 的线程配置必须分别调——实测两者线程扩展方向相反。

TTS按语义短句合成并播放，不把整段一次合成称为原生流式；分句仍要测首音等待、接句停顿及取消响应。本地效果不达标时先调整模型/线程/分句，再讨论是否开启云端后备，不自动发送音频到第三方。

• 本地唤醒引擎保持工作；闲置时暂停完整识别、降低视觉频率。保留短时内存音频预卷（初始0.5～1秒）避免唤醒后吞掉指令开头，静音时清除缓冲。关键词检测官方文档

• 活跃会话内允许免唤醒接续，初始闲置超时20秒后回到待机，参数可调。多人时其他人的普通谈话不应自动抢占；以唤醒/显式切换为主要入口。

• 记录阵列实际采样率、通道和采样格式，STT/TTS边界显式重采样；避免把原始麦克风/回放参考通道当成处理后语音。Ubuntu固定设备标识和录放音路由，不依赖重启后会变化的默认声卡序号。

• DeepSeek输出区分最终回答、思考内容、工具调用与工具结果，只将面向用户的回答交给TTS；数字/日期/单位和Markdown做轻量朗读归一化。

• P1按键启动，P2再加唤醒。语音活动检测、说完判断、唤醒是不同环节。

• 打断时取消旧回复生成、TTS和待播缓冲，丢弃旧轮次迟到结果，不能暂停后继续放旧回复。

• 分别测安静、设备外放、背景音乐、风扇噪声；P4加入运动噪声，装壳后重测。

• 默认简短自然回复；等待时及时更新表情，长回复按语义分段播放。

• 明确待机、在听、思考、说话、静音、离线状态。专注/夜间默认不主动开口，主动问候后续再加。

• 网络失败给简短提示，本地按键、静音和屏幕继续工作，不反复播旧回复。

• 麦克风、音箱、电机尽量机械隔离；软件静音和真实物理断麦需明确区分。

客户端/服务器的音频边界（v2.4 定稿）

决定日期：2026-09-15。这条边界决定 WebRTC 客户端的接口形态、 首音延迟预算和隐私边界，先定下来再写代码。

问题	决定	理由
传什么	闲置关闭，会话中持续上传（含 0.5–1s 预卷）	闲置时服务器完全听不到房间声音（隐私）；会话中上传完整音频流，服务端才能做可靠的"说完判定"（方案 §5 要求）。折中方案见下
唤醒	本地（N5095）	延迟低、断网也能响应；唤醒词模型轻量，N5095 跑得动。且它是"注意力的门"，不是"音频传输"的门
打断判定	客户端	三条理由：① WebRTC 的 AEC 本来就在客户端跑（需要播放参考），客户端的麦克风信号已是去过回声的；② 客户端知道自己正在播什么——"用户在助手说话时开口"本地就能判，不需要额外协议；③ 比服务端判定少一个网络来回，更容易满足 ≤300ms
断线/抖动	WebRTC 内建 ICE restart 重连；抖动缓冲初始 100–200ms，实测调整	缓冲换稳定性，但直接加首音延迟，不能凭感觉设，必须实测

状态机

        待机（不上传任何音频）
          │
          │ 本地唤醒词命中
          ▼
        会话中（持续上传音频 + 控制信号）
          │
          │ 闲置超时 20s（可调）
          ▼
        待机（停止上传）

关键点：唤醒控制的是"是否上传"，不是"是否处理"。 闲置时麦克风数据只进本地唤醒引擎，不出网。

接口约定

N5095 → 服务器

• 音频流：16kHz 单声道（WebRTC 内部用 Opus 编码）
• wake 信号：本地唤醒词命中，会话开始
• barge_in 信号：用户在助手播放期间开口，服务端据此取消当前生成
• identity_hint：本地人脸候选（仅建议，不自动切身份，见 §6）

服务器 → N5095

• 音频流：TTS 合成结果（Qwen3-TTS 输出 24kHz，需重采样到播放端）
• 状态事件：listening / thinking / speaking / idle —— 客户端据此渲染表情并判断"是否正在说话"

三条必须遵守的约束

1. 播放参考信号必须在 N5095 本地可得。AEC 需要它，而服务器与客户端的 回放时钟不同步，不能依赖服务器侧的时间戳。从阵列 USB 播放端点或 本地播放缓冲取。
2. 预卷缓冲 0.5–1s。唤醒/打断判定完成到开始上传之间有延迟， 不留预卷会吞掉用户指令的开头。静音时清除缓冲。
3. 会话中持续上传 ≠ 持续存储。 服务端处理完即丢弃， 默认不落盘（方案 §8："默认不存原始音视频"）。

这条边界的已知代价

• 会话中上传的是连续音频，包括用户的停顿、思考声和周围环境音。 服务器处理这些数据，但不存储。
• 客户端 VAD/唤醒的误判会切掉话头——这是"闲置不上传"的固有代价， 靠预卷缓冲缓解，不能消除。
• 抖动缓冲直接计入首音延迟。做 WebRTC 客户端时必须一并测， 否则首音延迟数字不完整（见 §10）。

6. 朝向与机械

DoA是声源来向，不代表身份或距离。阵列固定底座，摄像头随头部转动。

状态：待机 → 有效唤醒 → 可靠DoA粗转 → 匹配人脸 → 锁定 → 丢失短暂保持 → 超时待机。多人先按轮流发言处理；同方向多人或重叠说话时保持目标/请求轮流，不凭DoA猜身份。

多人能力与避免返工

• 基础多人：同画面维护多个临时track_id，记录位置和最后出现时间；用带时间戳的DoA与人脸位置关联当前发言目标，设置切换滞后。走位/遮挡后track_id可能变化，不能充当永久身份。

• 读取DoA时核对固件、波束选择和单位。XVF3800可返回多个波束角度，它们不是“几个人的身份/独立语音”；不要直接把第一个角度当发言者。优先用与当前处理后音频对应的选中波束，查不到可靠对应时允许拒判。官方主机控制代码

• 首版可靠身份入口：手动/对话确认切换到已建档的user_id；无法确认时使用unknown/guest。看到熟人不等于确认他正在说话。

• 显式报名字用于个性化档案选择，不是身份认证，不能据此解锁敏感信息或权限。信任等级与user_id分开，未来增加认证时不改普通偏好存储。

• 可选人脸试验：OpenCV YuNet检测+SFace特征作为候选，需用户主动录入、相似度阈值和未知人拒判。低频识别，平时跟踪；不用于门锁/支付或敏感身份认证。OpenCV官方教程

• 注册特征本地保存，可查看和删除；识别不确定时不读取/写入私人记忆。群体会话默认仅共享明确公开的上下文，不主动播报私密记录。

• 预留IdentityProvider接口：输入时间戳、track_id、候选身份、置信度与来源；输出确认的user_id或unknown。后续声纹模块可接入此接口，不改记忆表结构。

• 声纹认人、声音与人脸可靠绑定、重叠语音分离属于更高难度阶段，不承诺通过增加一块阵列即可解决。第一版不做全场多人同时自由插话。

• 调试候选：3～5°死区、丢失保持1～2秒；速度/加速度实机调节。

• 坐标约定：从设备视角向右为正。标定阵列零点、摄像头中心、电机零点；统一DoA单位和方向。

• 人脸像素位置经相机内参/标定换算成相对角度，再加头部角度估计，不能把像素直接当绝对角度。

• 普通位置舵机先做平滑目标角度，不默认再加内环PID；无反馈时只有估计位置。

• 摄像头与麦克风有位置偏移，近距离DoA和画面方位不完全重合；先粗转，再以视觉纠偏。运动过程中按时间戳使用对应角度估计，避免拿旧图配新角度。无反馈舵机的首版身份匹配优先在稳定停转后进行。

• 步进需独立驱动器、明确STEP/DIR等接口，补回零/失步/软限位。

• 只做左右一轴，用户要求摄像头可用总行程至少180°；初始工作范围设为[-90°, +90°]，屏幕与摄像头共用转动头部，麦克风固定底座。不要求连续360°旋转。

• 执行器实际机械行程须大于工作范围，以留软/硬限位余量；采购候选可考察标称270°的位置舵机，但型号、真实行程及噪声仍待核对。不能把普通标称180°舵机两端硬顶当作已满足要求，也不选无角度定位反馈的连续旋转舵机来直接代替位置舵机。

• 转轴/轴承承担结构负载；USB摄像头线、屏幕/MCU线缆在左右端点均要有弯曲余量，避免拉扯插头。有限180°往返先用柔软线缆和固定应力释放，不把滑环列为必需采购件。

• P4增加行程验收：实测摄像头左右端点至少相差180°，端点不碰撞、不拉线；低速往返100次检查线缆、USB掉线、抖动和供电。上电及重连仍须受限速和限位约束。

• MCU独立限位和断联停止；失联先停止更新轨迹，保持/卸力按结构实测，避免盲目断电造成坠落。

• 电机独立合适供电支路并正确共地，选合适线径/端子/去耦，不由ESP32板载电源或面包板供大电流。

7. 串口协议与恢复

先用UTF-8单行JSON、换行分帧，字符串换行由JSON转义。115200起步。Linux可能ttyUSB/ttyACM，Windows为COM，使用可配置稳定设备标识。

{"v":1,"seq":101,"type":"expression","state":"listening"}
{"v":1,"seq":102,"type":"motion","yaw_deg":20,"max_speed_deg_s":25}
{"v":1,"seq":102,"type":"ack","status":"accepted"}

• 表情和运动分开；转向目标最新值优先，不排队执行过时动作。
• 定义版本、字段范围、最大帧长（初始1KB）、坏帧丢弃和超时恢复。
• seq关联请求与确认；重试不能重复动作。accepted仅表示收到，无传感器不能报告实测已到位。
• 心跳500ms、失联2秒触发本地停止作为初始候选参数，实测后定稿。
• MCU重启发hello/能力信息，重连恢复当前状态，不回放历史运动。
• 字体和表情素材本地存储，串口不传全屏视频；WiFi/MQTT旁路暂不做。

8. 记忆、费用与数据

P3用SQLite，Mem0和向量库不是前置条件。从建表起就包含users、sessions、memories；记忆带owner_user_id、scope（private/shared）、来源会话/轮次、时间和确认状态。查询和写入均强制身份过滤，未知身份只用访客临时上下文。视觉track_id、会话session_id、永久user_id分开。

类型	保存策略
明确偏好	结构化键值，来源、确认状态、更新时间，新值替换旧值
临时事项	带时间与过期规则；记住事项不等于实现提醒调度
对话摘要	限长、按需检索、可清除，不默认永久保存逐字稿

• 支持记住/修改/忘掉/查看；模型推测不当作确认事实。
• 默认显式切换身份；人脸只提供候选，经当前发言者关联及确认后才启用对应记忆。切换身份清理上一人的私有检索上下文；异步任务绑定创建时的user_id/session_id，避免迟到结果写入新用户。
• 删除同时覆盖会话上下文、摘要和未来索引，防止删库后仍引用。
• 回复后异步写记忆，检索有超时；记忆失败不阻塞对话。
• 真实使用中检索不足再评估Mem0 + Chroma，支持不代表无需配置测试。Mem0官方文档
• 本地STT/TTS记录耗时与资源，不产生语音API调用费；统计LLM/按需视觉及未来云端后备费用，按实际日用量估月费并讨论上限。
• 默认不存原始音视频；视觉按需上传。密钥保存在本机配置，不写日志；提供静音和相机关闭入口。

9. 米家接入

P5通过Home Assistant统一调用。按实际设备比较官方Xiaomi Home和Xiaomi Miot Auto，核实地区、网关、本地/云端路径，不提前采购网关。小米官方集成

先接一盏现有灯：意图 → 工具/实体白名单 → 参数校验 → HA执行 → 状态确认 → 回复。请求受理和设备已改变分开描述，超时明确未确认。高风险设备不默认加入。

工具执行与语音回复生命周期分开：用户打断播报不意味着已发出的设备操作被撤销。每次动作保留执行ID和状态；超时先查状态，不盲目重试；优先使用“设为开/关”而非“切换”以降低重复执行风险。摄像头中的文字和检索记忆作为数据，不能自行扩大工具权限。

10. 运行维护与当前下一步

已完成（截至 2026-09-15）

• Ubuntu 24.04 已确认，USB 接口已盘点；依赖版本固定在代码仓库的 requirements.txt
• 助手本体在服务器上实现并跑通，端到端测试 16/16（用文件音频，非实时链路）
• STT/TTS/LLM 三方基准实测；DeepSeek 四条路径验证
• 记忆与身份的数据层实现并测试（88 项断言）
• 代码剥离为独立仓库 ~/workspace/ai-companion/

下一步顺序（按风险从高到低）

评审建议的思路——先把风险最大的实时语音链路闭环——认可并采纳。 但执行顺序要修正一处：服务端目前没有任何客户端能连的入口， 所以第一块不是客户端，是服务端的 WebRTC 入口。

核实过：代码里 pipecat 一次都没被 import 过（只在 requirements.txt 里）， 引擎是独立 asyncio，由测试脚本用文件音频驱动。没有进程在监听 WebRTC 连接。

#	步骤	状态	能验证什么 / 不能验证什么
0	音频边界定稿	✅ 2026-09-15 完成（见 §5）	决定了客户端接口形态
1	服务端 WebRTC 入口（Pipecat SmallWebRTC）	未开始	让客户端有东西可连
2	N5095 客户端骨架	未开始	用合成音频即可跑通传输层：信令稳定性、帧格式、采样率边界、打断信号传递、真实传输下的首音延迟
3	接入真实麦克风与音箱	阻塞：硬件未购	唯一能验证 AEC、打断、唤醒的一步，也是 P2 的全部内容
4	STT 中文识别正确率	阻塞：需录音	见下"最大功能风险"
5	ESP32 表情串口	硬件已到货，可独立推进	串口协议、表情渲染
6	摄像头、多人跟踪、电机	阻塞：硬件未购	—

第 2 步的边界要说清楚：用合成音频能验证传输层，验不了 AEC 和远场识别—— 那些必须等真实麦克风和音箱。但传输层能提前跑通，硬件一到就能直接接， 不用同时调两件事。

理由：语音链路是全局瓶颈。它若走不通，后面的表情、转头做得再好也没用； 而它若走通，其余部分都是可分解的独立工作。

最大功能风险：STT 中文识别率

Zipformer 的速度没问题（服务器 RTF 0.03），但中文真人识别率至今没有可信数据—— 自带的 4 段测试音频没有参考文本，而 TTS→STT 往返法在这个模型上不成立 （合成音频会触发大量重复字，真人录音却正常）。

音频硬件到手后应优先做：录一组本人语音，覆盖普通话、数字、日期、中英混读、 以及真实桌面距离（0.5–2m）与背景噪声，计算 CER，并同时与 SenseVoice、 faster-whisper large-v3 对比（两者已下载待测）。这是 P0 唯一未闭合的功能项。

首音延迟必须按真实链路重测

当前 1545ms 是非流式、无 VAD、无网络传输、无播放缓冲的链路数据。 真实对话还要加上：分句等待、WebRTC 传输抖动、N5095 侧播放缓冲。 必须测 P50/P95，不能只看 RTF。 加 VAD 后已处在 2 秒目标边缘， 这些额外开销很可能把它推过线。

运维待办

• 没有常驻服务：TTS 服务和助手本体都没有 systemd 开机自启 （方案要求 P2 后配置）。服务器重启后需手动拉起
• 日志保存耗时、错误、费用、连接事件并轮转，不默认保存完整私人对话
• P2 后配置异常重启、音频/串口重连，测试拔插、断网、主机重启恢复
• 记录板卡 SKU、固件、通道、引脚及接线图（ESP32 部分已有记录）
• 模型文件授权与运行时授权分别记录（Qwen3-TTS 为 Apache-2.0； Matcha 用的 Baker 数据集标注仅限非商用，若将来产品化需换音色）

仍未确认

• 屏幕最终形态：2.8 寸方屏 vs 原定 1.28 寸圆屏，影响外壳与转台设计
• 使用距离：暂按 0.5–2m 设计，未实测确认
• 音频套件与摄像头的具体 SKU 与核价