企业官网建设流程全解析

IoT-For-Beginners 实战：为 Raspberry Pi 配置麦克风与扬声器（智能定时器语音识别硬件准备篇）

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

本篇技术指南是微软开源课程项目 IoT-For-Beginners《使用 IoT 设备识别语音》一课（课程目录见 6-consumer/lessons/1-speech-recognition/README.md）中面向 Raspberry Pi（树莓派）单板机的硬件准备指南。文章完整讲解如何为树莓派外接麦克风与扬声器、如何用arecord/aplay识别 ALSA 声卡、如何编辑alsa.conf设置默认回放设备，并最终完成 5 秒录音与回放的端到端验证。读完本文，你将掌握一套可在树莓派上直接复用的音频设备排查与配置流程，为后续实现"按住按钮说话→云端语音转文字"的智能厨房定时器打下硬件基础。

硬件选型：树莓派没有内置麦克风

树莓派主板本身不包含麦克风，任何语音识别应用都必须外接音频采集设备。文档给出了多种可行方案：

• USB 麦克风（最简单、即插即用）；
• USB 耳机（麦克风 + 扬声器二合一）；
• USB 一体式免提会议扬声器（speakerphone，麦克风与扬声器集成）；
• USB 音频适配器 + 带 3.5 mm 接口的麦克风；
• ReSpeaker 2-Mics Pi HAT（官方推荐的双麦克风扩展板，直接叠装在 GPIO 排针上）。

注意：并非所有蓝牙麦克风都能在树莓派上正常工作。如果你使用蓝牙麦克风或蓝牙耳机，可能会在配对或采集音频时遇到问题，建议优先选择 USB 或 HAT 方案。

硬件选型：树莓派的音频输出选项

树莓派自带3.5 mm 耳机插孔，可直接连接耳机、头戴式耳机或扬声器。除此之外，还可以通过以下方式添加音频输出：

• HDMI 音频：通过显示器或电视输出；
• USB 扬声器；
• USB 耳机；
• USB 一体式免提会议扬声器；
• ReSpeaker 2-Mics Pi HAT外接扬声器（接 3.5 mm 插孔或板载 JST 端口）。

对本文的智能定时器项目而言，扬声器的作用不只是"出声"——在本课后续小节中它用于测试麦克风录音是否正常，而在更后面的课程中则用于播放语音反馈。

连接并配置麦克风

第一步：物理连接

使用合适的接线方式连接麦克风，例如插入任一 USB 端口。

第二步：ReSpeaker 2-Mics Pi HAT 的特殊安装流程

如果你选择 ReSpeaker 2-Mics Pi HAT，需要先取下 Grove Base HAT（树莓派传感器扩展板），再将 ReSpeaker HAT 装到原位置：

此处有一个巧妙的设计：本课稍后需要用到一个 Grove 按钮来触发录音，而 ReSpeaker HAT 板载了按钮，因此安装后不再需要 Grove Base HAT。

HAT 装好后还需安装设备驱动，官方 Seeed 入门指南使用git克隆驱动仓库。若你的树莓派尚未安装git，先执行：

sudo apt install git --yes

第三步：用arecord -l查看麦克风设备

在树莓派本机终端，或通过 VS Code 远程 SSH 连接后的终端中执行：

arecord -l

arecord是 ALSA（Advanced Linux Sound Architecture，高级 Linux 声音架构）的录音命令行工具，-l参数用于列出所有音频采集（CAPTURE）硬件设备。输出大致如下：

pi@raspberrypi:~ $ arecord -l **** List of CAPTURE Hardware Devices **** card 1: M0 [eMeet M0], device 0: USB Audio [USB Audio] Subdevices: 1/1 Subdevice #0: subdevice #0

关键操作：记下card后面的数字（即声卡号）。上例中麦克风声卡号为1，稍后在配置文件和 Python 代码中都会用到。

实操建议：Linux 下麦克风配置容易出问题，最简单可靠的做法是只保留一个麦克风，把其他不用的都拔掉。如果只接了一个麦克风，列表中通常只有一条记录。

连接并配置扬声器

第一步：用aplay -l查看扬声器设备

aplay -l

aplay是 ALSA 的播放工具，-l列出所有音频回放（PLAYBACK）硬件设备。典型输出如下：

pi@raspberrypi:~ $ aplay -l **** List of PLAYBACK Hardware Devices **** card 0: Headphones [bcm2835 Headphones], device 0: bcm2835 Headphones [bcm2835 Headphones] Subdevices: 8/8 Subdevice #0: subdevice #0 Subdevice #1: subdevice #1 ... card 1: M0 [eMeet M0], device 0: USB Audio [USB Audio] Subdevices: 1/1 Subdevice #0: subdevice #0

你总会看到card 0: Headphones，因为这是树莓派板载的耳机插孔（bcm2835是博通 SoC 的音频控制器）。如果额外接了 USB 扬声器等设备，会以card N: ...的形式一并列出。

第二步：将外部扬声器设为默认设备

如果使用外部扬声器（而非插在板载耳机孔上的耳机/音箱），必须把它配置为 ALSA 默认回放设备，否则播放命令会落到card 0。用终端文本编辑器打开 ALSA 主配置文件：

sudo nano /usr/share/alsa/alsa.conf

在nano中用方向键向下滚动，找到下面这一行：

defaults.pcm.card 0

将0改为aplay -l输出中目标声卡的编号。以上述输出为例，第二个声卡是card 1: M0 [eMeet M0], device 0: USB Audio [USB Audio]，需要把该行改为：

defaults.pcm.card 1

配置说明：defaults.pcm.card是 ALSA PCM 插件层的默认声卡索引，它决定了不带显式设备参数调用aplay/arecord等工具时使用哪块声卡。改为外部声卡编号后，后续的录音与播放命令都会默认走该设备。

修改时用方向键定位到数字，删除后键入新值即可。保存并退出：按Ctrl+x，出现提示后按y确认保存，再按return确认文件名。

测试麦克风和扬声器

录制 5 秒音频

arecord --format=S16_LE --duration=5 --rate=16000 --file-type=wav out.wav

各参数含义：

命令运行期间对着麦克风说话、唱歌、打节拍或弹奏乐器制造声音。5 秒后录制自动结束。

回放录音

aplay --format=S16_LE --rate=16000 out.wav

参数应与录制时保持一致，否则可能出现格式不匹配。播放时从扬声器应能听到刚才录制的声音，可根据需要调整扬声器音量。

调整音量与麦克风增益

如需调整板载麦克风输入音量或麦克风增益，可使用alsamixer交互式混音工具：

alsamixer

该工具以字符界面显示各声道的输入/输出电平，用方向键调节、Esc退出。如果播放报错，优先检查你在alsa.conf中设置的defaults.pcm.card是否正确对应到aplay -l列出的声卡。

声卡号在代码中的落地：从命令行到 Python

配置验证完成后，声卡号会被直接写进录音代码，这是"硬件配置"与"应用代码"之间的关键桥梁。同课程的 pi-audio.md 展示了用 PyAudio 采集音频的完整流程，仓库中对应的可运行样例为 code-record/pi/smart-timer/app.py。

在代码中，本文前面记下的两个声卡号分别赋给麦克风与扬声器：

microphone_card_number = 1 # 来自 arecord -l 的卡片号 speaker_card_number = 1 # 来自 aplay -l 的卡片号，即写入 alsa.conf 的那个 rate = 48000 # 采样率，默认 48KHz

采集音频时，microphone_card_number作为input_device_index传入，指定 PyAudio 从哪块声卡读取数据；回放时speaker_card_number作为output_device_index传入。可见本文的命令行排查结果（卡片号、采样率）直接决定了 Python 代码能否正确工作。

从源码看，capture_audio()函数以pyaudio.paInt16格式、单声道、4096 字节缓冲逐块读取麦克风数据，在按钮按住期间持续采样，松手后把数据封装为 WAV 字节流返回。若运行时出现如下报错：

OSError: [Errno -9997] Invalid sample rate

说明当前声卡不支持 48 kHz，需把rate改为44100或16000（值越低音质越差，但兼容性越好）。此外，创建 PyAudio 实例时可能打印若干 ALSA 警告（如Unknown PCM cards.pcm.front），这是树莓派上未接入设备的配置提示，可以忽略。

录音背后的数字音频原理

理解 16 kHz / 16-bit / WAV 这些参数，有助于你针对不同硬件调整录音配置。课程 README.md 对音频原理有系统讲解，核心要点如下：

• PCM（脉冲编码调制）是数字音频的基础编码方式：按固定时间间隔对模拟电压信号采样，并量化为最接近的离散整数值。16-bit 表示每个采样值范围是 -32,768 到 32,767。
• 采样率指每秒采样次数，以 kHz 计。16 kHz 对语音转文字足够；流媒体音乐通常使用 48 kHz，部分"无损"音频高达 96/192 kHz。
• 数据量计算：16-bit × 16 kHz = 2 字节 × 16,000 次/秒 = 32,000 字节/秒。每秒钟语音约 32 KB，对内存有限的微控制器（如 Wio Terminal 仅 192 KB RAM）是大挑战，因此采集类代码通常把数据直接写入存储而非一次性放入内存。
• WAV 文件是未压缩音频的常见容器：文件头约 44 字节，记录采样率、采样位数、声道数等信息，之后紧跟原始 PCM 数据。aplay回放时正是依据这些头信息解析音频流。

下一步：把录音交给语音识别服务

麦克风与扬声器配置完成后，即可进入语音转文字环节。同课程 pi-speech-to-text.md 展示了完整实现：先向https://{location}.api.cognitive.microsoft.com/sts/v1.0/issuetoken申请访问令牌（令牌 10 分钟过期），再携带令牌与Content-Type: audio/wav; codecs=audio/pcm; samplerate={rate}头，把录音缓冲 POST 到语音识别 REST 端点，解析响应 JSON 中的DisplayText得到文本。仓库中对应的完整代码见 code-speech-to-text/pi/smart-timer/app.py。

该实现印证了本文硬件配置的价值：rate采样率既用于arecord/aplay命令行测试，也作为Content-Type中的samplerate参数告知语音服务音频格式，同时被 PyAudio 采集流引用——三处必须保持一致。而"按住按钮才录音"的设计则呼应了隐私考量：设备不应持续把家中声音上传云端，而是由用户显式触发录音，这正是一个消费级语音 IoT 设备的合理交互模式。

通过本文的硬件选型、ALSA 配置、命令行测试与代码接线四步，你的树莓派已具备完整的音频采集与回放能力，可以顺畅衔接后续的语音转文字课程内容。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners