企业官网建设流程全解析

国庆三天，我窝在工位上干了一件被朋友说是“脱裤子放屁”的事：花199块钱做了一块开源AI录音卡。用起来是这样的：开会的时候把它往桌上一放，按一下录音键，散会拔下来插到电脑上，本地跑一段FunASR离线语音转写，整场对话就变成带说话人标签的文字稿，再让DeepSeek把重点提炼成一张思维导图。算上自带的18650电池，这块卡能连续录20小时。

先给不了解的朋友说清楚这到底是什么：它不是一个手机App，也不是云录音服务，而是一个巴掌大的硬件模块。核心是一块ESP32-S3主控加一块数字麦克风，固件和上位机脚本全部开源。适合谁？爱折腾的嵌入式玩家、靠大量会议和访谈吃饭的职场人、想做课程记录的老师，甚至只是想给家里老人做录音提醒工具的人，都能从这个项目里找到能抄的作业。

1. 项目定位与需求拆解

1.1 这个需求是怎么冒出来的

最开始是因为我手头每周至少三场技术评审会，每场一两个小时。翻聊天记录翻不到重点，逐字听录音又太费时间。用市面上的智能录音笔吧，好一点的起步六七百，功能还绑死在一个App里。用手机录音确实免费，但接个电话、切个后台，录音就可能断，而且手机党开会时容易把录音这事抛到脑后。

所以我想要的其实是这样一个东西：像一个U盘一样小，塞口袋里不占地方，按下就录，坏了不心疼，录完能快速转成文字。它不需要屏幕，不需要触摸键盘，不需要语音助手，只做好“长时间可靠录音”这一件事，剩下的交给电脑端的软件处理。

1.2 成品形态与使用流程

做出来的成品是一块U盘形状的录音卡，整体尺寸大概跟一只普通U盘差不多，一侧留了一个按钮和一个指示灯，另一侧是USB接口和TF卡槽。

使用流程也很直白：

1. 长按开机，绿灯常亮表示待机。
2. 短按一下，红灯慢闪开始录音，同时把音频实时写入TF卡。
3. 再短按一下停止录音，生成一个WAV文件。
4. 拔下来插到电脑上，运行WorkBuddy的桌面端脚本。
5. 脚本自动检测TF卡里新产生的音频文件，依次完成语音转写、说话人分离、要点提取和思维导图生成。
6. 最终产出一份Markdown格式的会议纪要加一张思维导图。

整个过程不需要打开浏览器，不需要登录云平台，不需要上传音频。转写引擎是本地的，麦克风采集是本地的，存储也是本地的。只有最后生成思维导图那一步会调用大模型接口，而且这个接口也可以配置成本地模型。后面我会细说。

1.3 为什么是“录音卡”而不是录音笔

市面上现成的录音笔方案很多，但大部分架构是封闭的：音频格式私有、固件不能改、语音转写按分钟收费、电池续航号称很久但实际一录就掉电。我的诉求恰恰相反：所有数据要掌握在自己手里，所有软件能力要能随时替换。

自己做录音卡还有一个隐形好处：可维修、可扩展。今天用这块卡录会议，明天改一下麦克风阵列就能做声源定位，后天加一块DSP模块就能做关键词唤醒。这种自由度是任何成品录音笔都给不了的。199元的成本，损失最大的无非是几顿饭钱，换来的却是一个能不断折腾的基础设施。

2. 硬件选型与成本拆解

2.1 核心硬件清单

先列我实际用到的物料，全部从常见电商渠道能买到，没有冷门型号：

合计大概是150到160元之间，如果手头有旧电池或者旧SD卡，100出头就能落地。我还留了40块的“余量”用来买烧坏的模块和备用麦克风，所以999标题里的199元是真实够用的预算。

2.2 每笔钱花得值不值

有人会问，既然是录音卡，能不能直接用带录音功能的开发板？能，但效果差别很大。ESP32-S3本身没有模拟音频输入接口，必须通过I2S接口外接数字麦克风，所以买一个集成了I2S输入引脚的配套开发板是省事的，但这些板子普遍会贵一些。

我的方案是拆开买的，核心板选ESP32-S3-DevKitC-1，它的UART转USB芯片还可以在断电后给上位机做通讯，调试很方便。INMP441这颗麦克风只要12块钱，却是整个项目里最关键的部件之一。它把模拟信号转换成数字信号输直接在芯片内部完成，抗干扰能力比驻极体麦克风强很多，不容易被主板上的数字电路噪声干扰。

电池和充电模块这部分，我给两个建议。第一，18650尽量买带保护板的品牌电芯，别贪便宜买无标电池，之前某次我图便宜买回来一颗漏液电池，把一块开发板腐蚀报废了。第二，TP4056充电板有Type-C口，可以直接用手机充电器充电，省掉买专门充电座的开销。

2.3 组装顺序与注意事项

组装顺序其实很简单，但有几处细节会影响后面调试效率：

第一步，先把核心板刷一个最简单的Blink程序，确认板子本身是好的。第二步，把INMP441的I2S引脚依次接到核心板的GPIO，这里有一个必须避开的坑：ESP32-S3的某些IO在启动时处于特殊状态，不能接麦克风的数据线，否则会导致无法烧录固件。所以我选了GPIO15作为DAT口，GPIO5作为BCLK，GPIO16作为LRCLK，避开启动敏感引脚。

第三步，焊接电池和充电模块。TP4056模块的OUT正负极接核心板5V和GND，电池插到BAT端。这部分要注意共地，如果不共地，麦克风与主控之间的I2S信号会乱掉。第四步，把TF卡座模块接上SPI引脚，插一张格式化好的TF卡。第五步，装进外壳、固定电池，通电测试。

整个过程最花时间的其实不是焊接，而是把线理顺。ESP32-S3的排针间距是2.54mm标准间距，但直接把杜邦线插入到底板上会显得乱，我建议先用热缩管把每一组线束套起来，再用电工胶带固定到外壳内侧。别小看这一步，它是整机稳定性的基础。

3. 软件架构：离线转写与AI能力怎么落地

3.1 录音端固件的职责划分

录音端固件只做三件事：管理按键、读取麦克风数据、写入TF卡。不要试图把转写放到录音卡上跑，一块主频240MHz的双核MCU，跑实时转写模型是跑不动的，硬跑的结果就是录音卡发烫、续航暴跌，体验一塌糊涂。

我的设计思路是“采集端尽量笨，处理端尽量聪明”。录音端只负责把INMP441采集到的PCM数据，加上一个44字节的WAV文件头，以64kbps的采样率、16bit单声道写入TF卡。64kbps这个采样率对语音来说够用，11kHz以上的人声范围都能覆盖，而且每秒只占不到8KB存储空间，32GB的卡能录很久很久。

有人可能会问，为什么不用更低的采样率省空间？我实测过，低于24kHz后，一些齿音和唇齿音会被吃掉，后续转写的准确率会明显下降。64kbps是平衡存储消耗和识别准确率的一个甜点值。固件的主要难点在于：录音的同时要把数据及时写入TF卡，不能等录音结束再统一写。我用了RTOS下的一个后台任务，配合DMA缓冲，实测下来就算一边录音一边高负载写入，也不会出现掉帧。

3.2 离线语音转写怎么实现

转写这边，我采用的方案是FunASR推理框架加Paraformer模型。这里要解释一下，FunASR是阿里开源的一个语音识别工具包，它在底层封装了各种ASR模型，方便我们拿Python直接调用。Paraformer则是它主打的一个高精度离线语音识别模型，在中文日常对话场景下，字错误率能控制在5%到10%以内，具体取决于录音环境和口音。

离线转写意味着音频文件不用上传到公网，全部在本地电脑上推理。我的电脑是一台不算新的笔记本，只有CPU，没有独立显卡。跑Paraformer-large模型，一小时的音频大概需要三到五分钟才能转完，速度完全可以接受。识别过程中我用的是ONNX Runtime加速，让模型推理效率更高一些。

FunASR的使用流程很简单：先加载模型，然后调用推理接口，传入音频路径，返回文本和时间戳。真正要处理的是音频格式兼容。FunASR内部能处理WAV，但如果你用了别的录音工具生成了MP3或者M4A，就得先用ffmpeg转成16k采样率的单声道PCM。这是一个新手经常踩的坑。

3.3 50+语种怎么支持

很多人看到标题里的“50+语种”会觉得不可思议，其实原理不复杂：阿里系模型里有一个叫SenseVoice的多语言语音识别模型，它支持超过50种语言的语音识别，包括中文、粤语、英文、日语、韩语、法语、德语、西班牙语、俄语、阿拉伯语等。

它的核心思路和多语言大模型类似：把多种语言的语料混合训练，让模型在同一个特征空间里理解不同语言。好处是，不需要针对每种语言单独部署一个模型，一个模型就能同时搞定50多种语言；坏处是，个别生僻语种的准确率肯定不如专门训练的小语种模型高。但对我们这种做通用录音工具的场景，一个模型覆盖绝大多数情况已经很够用了。

我在WorkBuddy脚本里加了一个语言检测逻辑：先快速判断音频里最可能的语言类型，如果是中文，就用Paraformer做精细转写；如果是其他语言，自动切到SenseVoice处理。这个切换是自动的，不需要用户在界面上手动选择。实际测下来，中英混说的对话，也能在中文段落里正确输出中文，英文段落里输出英文。

3.4 多人识别和说话人分离

“多人识别”在学术上通常叫说话人分离，也就是分辨声音来自哪个人。实现思路分两步：先把音频切成一小段一小段，每段大概两三秒；接着提取每一段的声纹特征，也就是说话人独特的音色指纹；最后把这些声纹聚类，相同音色的段落归到同一个人。

在FunASR里，这个过程可以用声纹模型加聚类算法完成。实测在双人对话场景下，准确率比较高；三人以上、环境嘈杂的时候，误判会多一些。但作为会议纪要的辅助工具，把“某一段话大致是哪个人说的”标出来，已经能省去大量人工回顾的时间。我在项目里还给每段话加了一个虚拟标签，比如“说话人A”“说话人B”，用户可以在生成的Markdown里手工替换成人名。

3.5 用DeepSeek生成思维导图

转写完成之后，WorkBuddy脚本会把全文发送给DeepSeek大模型，让它做三件事：提炼核心议题、整理关键结论、抽取待办事项。然后再把结果输出成Markdown版的思维导图。

这里有一个容易被忽略的设计决策：为什么不是让大模型直接输出思维导图文件？因为直接输出纯Markdown的列表结构，既方便在文档里阅读，也方便在支持导入的工具里渲染成思维导图。我会让DeepSeek固定输出三到四层的树状结构，每层用Markdown列表嵌套。这样的好处是，用户可以直接把文本贴到Notion、Obsidian等工具里，也可以用我脚本里的一个小函数，把它转换成XMind兼容的格式。

调用DeepSeek的时候我设置了两个关键参数：温度设为0.3，避免生成内容太发散；最大输出token设得足够大，防止思维导图被截断。如果机器上没有外网，或者出于隐私考虑不想调用云端模型，WorkBuddy也支持切换到本地部署的OpenAI兼容接口，只需要改一行配置。

4. 三天搭建全过程记录

4.1 Day1：硬件调试与音频采集

第一天上午几乎都在跟接线较劲。上午把各模块接好之后，烧了一个最简单的录音测试固件，发现读到的音频数据全是“嗡嗡嗡”的底噪，拿示波器看了一下，I2S信号线被周围电源线干扰得厉害。后来把麦克风信号线从主板的左侧挪到右侧，避开充电模块的升压电感，噪声才降下来。

下午换了一种验证方式：把录制的声音直接通过串口发到电脑上，用Audacity打开。这时候才真正感受到INMP441的效果，会议室环境里，一米外正常说话也能清晰拾音。不过我也发现了另一个问题：开发板自带的USB口在录音时会传出高频啸叫，原因是USB转串口芯片的时钟信号串进了I2S总线。解决方法是，录音时把USB线拔掉，用电池供电，问题立刻消失。

第一天的教训是：硬件调试不能只靠耳朵听，最好用波形软件看看频谱和波形，这样排查噪声快得多。我用的是Audacity的频谱分析功能，很容易看出50Hz工频干扰、1kHz以上数字噪声这些典型问题。

4.2 Day2：转写流水线跑通

第二天早上，我先把音频文件拷到电脑上，写了一个最简单的Python脚本：调用FunASR的现成接口转写测试音频。第一次跑，脚本卡在依赖安装上，balと言うPython包版本对不上，我花了一个小时排查，最后强制重装所有依赖才解决。

转写效果比我预期好，十分钟的中文会议录音，输出文字几乎不用改。但这天真正花时间的，是处理英文和中文混说的情况。FunASR的Paraformer中文模型很出色，但在整段英文上会直接乱码。我那天下午的精力几乎都花在语言检测模型上。我用了一个轻量级的语言分类器，对音频每隔3秒做一次预测，然后根据预测结果决定该片段交给哪个模型。这种分块处理的方式，在实际录音里表现很稳。

当天晚上，我把转写脚本封装成了WorkBuddy桌面端可执行文件，加入了文件拖拽入口。拖一个WAV文件进去，三分钟之后就能拿到带时间戳的转写结果。那种把一个想法变成工具的感觉，是很让人上头的。

4.3 Day3：多人识别、思维导图与整体打磨

第三天上午，开始调说话人分离。FunASR生态里最省事的办法是直接调用声纹模型，把整段音频分块，提取特征，聚类。一开始我以为要写很多聚类代码，后来发现直接用Spectral Clustering就能得到还算不错的分组效果。我跑了一段四人的模拟对话测试，结果是四个标签基本对应到四个人，个别段落会混淆。

下午转向思维导图功能。这一步在技术实现上反而最简单，把转写全文拼接成Prompt，扔给DeepSeek，解析返回的Markdown列表，输出成思维导图Markdown文件。为了让生成的思维导图更贴合会议场景，我要求它的第一层必须覆盖“背景、结论、待办、风险”四类，第二层再细分成具体要点，这样就比自由发挥要可靠得多。

第三天晚上，剩下的事情就是给整机做了整整三个小时的重度测试：连续录音、频繁插拔、把TF卡塞到读卡器里拷文件。最终版本跑了一个通宵，第二天早上检查电量还有一半，续航20小时的目标算是达成了。测试过程中也发现了一个隐藏在SD卡写入里的bug：长文件名会出现写入失败，把文件名改成短命名规则后就稳定了。

4.4 最终效果展示

讲几个实际体验过的场景，让大家有个更直观的感受。

第一场是线上团队周会，我把它插在电脑旁，录了两小时。转写后生成了三层结构的思维导图，第一层把“项目进度、技术方案、遗留问题、下周计划”四大块分好，第二层自动把每个人汇报的要点归类到位，第三层是具体的待办事项。我用的时候基本不用再回去翻录音。

第二场是线下头脑风暴，三四个人轮流讲话，偶有插话和抢话。说话人分离在这种场景里确实有混淆，同一个人的两段话被分成了两个标签。但让我意外的是，摘要里“待办事项”的提炼非常准，比我手动记的笔记还要全。

第三场是用SenseVoice转一段英文播客，虽然有些口语句子被识别得支离破碎，但依靠上下文仍然能理解大致意思。将来如果出差去不同语言环境，这块卡能当翻译素材采集器使。

5. 常见问题与排查技巧

5.1 硬件层面的问题

5.2 续航达不到20小时怎么办

我最初测试时续航只有7小时，排查后发现好几个原因在“偷偷耗电”。

第一是开发板自带的USB转串口芯片和稳压芯片一直在耗电，即使外设都睡着了，这些芯片依然在跑。解决的办法是，烧录完固件之后换一颗低压降的LDO，或者干脆把板子上的待机路径改一下，让板子进入Deep Sleep时关掉所有非必要外设。第二是麦克风本身也耗电，INMP441在录音模式下功耗接近1mA，虽然不高，但乘以20小时就不少了。所以在不录音时，我让固件直接断电麦克风。第三是TF卡在空闲时会保持活跃，需要在每次写入后立即进入休眠状态。

这些改动做完，整机的平均待机电流从原来的90mA降到了45mA。用3400mAh的18650电池，理论续航72小时，但录音状态电流会升到120mA左右，所以实际算下来，连续录音大概是20到25小时。计算公式很简单：电池容量除以平均录音电流，再打一个八折的工程余量，也就是3400毫安时除以120毫安乘0.8约等于22小时。

5.3 转写准确率怎么优化

确保音频质量。距离麦克风太远是准确率下降最主要的原因，尽量控制在1.5米以内。过度压缩的动态范围也有影响，所以录音端不要做自动增益。

善用热词表。FunASR支持在解码时增加热词，把会议中常见的专有名词、人名、产品名加进去，能大幅降低这类词被识别错的情况。我在WorkBuddy里加了一个可编辑的热词文件，每次开会前可以快速刷新补充。

自动标点现在已经很成熟，偶尔会逗号乱飞，但整体不影响阅读。遇到特定的行业术语，比如“微服务”被识别成“危服务”，最有效的办法不是改模型，而是修改热词表，把“微服务”作为一个完整的词条加入。

5.4 多人识别串话怎么解决

说话人分离在两人，尤其是两人分别坐在不同方位时效果最好。如果多人挤在一台设备旁边，麦克风采集到的其实是混叠声，声纹聚类的难度会大很多。

一个有用的技巧是：把每个说话人作为独立声源，先做一轮VAD（语音活动检测），再按停顿切分。只要切分准确，声纹提取的质量就会上去。实测中我发现，按停顿切分比按固定片段切分更能提高聚类的准确率。

如果现场确实很嘈杂，那可以把说话人分离作为可选功能关掉，只保留转写。因为一旦分离错误，生成的标签反而会误导读者。这种情况下的核心需求其实是“谁在什么时候大概说了什么”，而不是“每一句话到底是谁说的”。

5.5 思维导图内容跑偏怎么处理

调用大模型生成摘要，偶尔会遇到“写得太空”的情况。我的经验是，在Prompt里把要求写具体，甚至连格式都约束好。比如我要求必须输出四段结构，第一段必须用“核心议题”，第二段必须用“关键结论”开头。这比只用“请生成会议纪要”要稳定得多。

另一个技巧是，给模型提供转写文本之前，先做一个简单的后处理：去掉语气词和重复词，压缩过长的段落。这样模型能看到的信息量更大，也更接近人类的阅读顺序。实测中，处理过的文本生成的思维导图，在信息密度上明显比原始文本生成的更集中。

6. 我个人还想啰嗦几句

6.1 开源项目怎么选型更省心

做这类硬件加AI的项目，最忌一上来就自己造轮子。直接用FunASR、SenseVoice这种成熟方案，能省掉大量训练和调参的时间。开源社区的好处是，遇到模型加载报错、依赖冲突、C++扩展编译失败这类问题时，很容易找到解决方案。

我的基本原则是：能直接用官方接口的就不自己写；能跑通用模型的就不自己造数据集；能复用的开源工具库就不重新实现。WorkBuddy本身也延续了这个想法，它只是把录音、转写、摘要、思维导图这些能力粘合起来，真正的核心模型都留给各个专注做这块的团队。

6.2 后续还能怎么扩展

完成这个版本之后，我列了几个想继续做深的方向：

第一个是给录音卡加一块小屏幕，显示剩余电量、录音时长和文件数量。这需要加一个OLED模块，成本也就十几块。

第二个是把WorkBuddy做成常驻后台的监听服务，只要检测到TF卡插到电脑上，就自动开始转写，不需要手动拖文件。

第三个是在Ros近年把说话人识别做成可训练的，让用户给每个标签录入几句参考语音，从而实现更精准的“谁是谁”映射。

第四个是为这个项目写一个配套的Markdown模板，让生成的会议纪要可以直接放进项目管理系统。这些扩展基本上都是在现有架构上做加法，我不打算推翻重写，因为当前这版已经足够好用，也够稳定了。

6.3 给新手的最后建议

如果你从来没接触过嵌入式开发，第一次尝试这个项目，我建议你找个周末先照着最简版做一遍，不要追求所有功能一次性到位。第一版可以只做录音和转写，跳过说话人分离和思维导图。等跑通之后，再逐个功能往上加。

材料不要一次买齐，先买核心板和麦克风，烧录点灯程序成功之后再买电池和TF卡模块。这样即使某个环节踩坑报废了，损失也能控制在几十块以内。我最初也想一次搞个大满配，后来发现一个功能一个功能地加，反而更容易定位问题。

最后再分享一个我自己最意外的体会：这个项目的价值并不只在于“省下买录音笔的钱”，而在于它让我重新理解了录音和整理这件事。以前开会之后总要花半小时翻录音补笔记，现在录完生成一张思维导图就够了。真正被释放出来的不是那半小时，而是我对“音频也是一种可整理的数据”这件事的重新认识。