1. 先做一件事：看见自己的声音
烧录 demo01_wave_view（这个 demo 不联网、不要密钥）。什么都不说，盯着屏幕看 10 秒——你会发现波形不是一条完美的直线，是一条毛毛的细线。那是电路的"底噪"：就算你闭嘴，世界上也没有"绝对的安静数字 0"。
现在对着板子说"今天天气真好"，看波形跳起来；再换悄悄话说同一句——波形几乎躺平了。
记住这个对应：声音大 → 数字大 → 波形高；声音小 → 数字小 → 波形矮。 你看见的不是"声音"，是一串数字。
任务 1：波形观察表
| 场景 | 预测（先写） | 实测 | peak 数字 |
|---|---|---|---|
| 安静 10 秒 | |||
| 正常说一句话 | |||
| 悄悄话说同一句 | |||
| 拍一下手 |
2. 声音是数字：算一笔账
麦克风每秒测量 16000 次空气振动，每次测量记成一个数字（-32768 ~ 32767）。每个数字占 2 字节。
算一算（写在纸上）： 1 秒声音 = 16000 × 2 = 32000 字节 3 秒声音 = ______ 字节？ （答案：96000。烧录 demo02 后，看屏幕上"声音 B"那个数字，和你说的秒数对得上吗？）
demo01 屏幕下方的 peak: 12345 / 32767 就是当前这一瞬间声音数字的大小。波形，只是把这些数字画出来而已。
3. 三步，声音变文字
烧录 demo02_speech_to_text（这次需要 WiFi 和密钥）。点一下屏幕，说"今天天气真好"，再点一下。屏幕底部会报告三个数字：录音毫秒 / 声音字节 / 识别毫秒——它们是理解全过程的证据。
| 步骤 | 谁在做 | 在哪里 | 干什么 |
|---|---|---|---|
| 1 采样 | 板子 | 板子上 | 声音 → 数字，存进 pcmBuffer |
| 2 上传 | 板子 + WiFi | 路上 | 数字装进"信封"（base64），寄给百度 |
| 3 比对 | 百度 | 云端 | 和学过的千万条声音比对，猜出最像的字 |
注意：全程没有人"听懂"中文。云端做的是一场大规模的猜——猜就有猜错的时候，这正是下一节的主题。
4. 信封是什么：base64（浅讲）
你的声音数字是"裸数据"，像一沓手写草稿。直接扔进邮筒？邮局不收——邮局对信封里能装什么有规定。base64 就是把草稿重新誊写一遍，誊成邮局认识的标准字符，再装信寄出。
所以串口日志里有个奇怪的现象：96000 字节的声音，寄出去变成了 128000 个字符——信封让东西变大了（大约 4/3 倍）。
⚠️ 比喻的边界：base64 不是加密！它只是换一种写法，谁都能"拆开"还原。它管"能不能寄"，不管"能不能被看懂"。千万别把它当密码。
5. 动手做实验：故意让它听错
本课主实验。还是"今天天气真好"，换五种说法，把识别结果抄进表里：
| 说法 | 预测（会全对吗） | 实测识别结果 | 对了几成 |
|---|---|---|---|
| 正常速度、靠近说 | |||
| 说得飞快 | |||
| 一个字一个字拖长 | |||
| 嘈杂环境（同学大声聊天） | |||
| 悄悄话（贴着麦克风口） |
| 情况 | 为什么错 |
|---|---|
| 噪声大 | 别人的声音和你的混进同一个信封，云端分不清哪段是你 |
| 说太快 | 字挤在一起，边界模糊 |
| 声音太小 | 回看 demo01：小声时波形贴着中线——数字太弱，特征不够 |
| 同音字 | "十四"和"四十"的声音数字长得很像，云端猜了另一个 |
结论：识别 = 猜测。想猜得准，就把信号变清楚：说慢点、大声点、离近点、环境安静点。
6. 不联网也能听懂：本地识别
刚才的"猜字"住在百度云端——声音要打包寄出去。可不可以让"猜"就发生在板子自己身上？可以。烧录 demo04_offline_asr（不联网、不要密钥），等屏幕出现"唤醒词：你好小智"，对着板子说：
"你好小智" → 屏幕显示"已唤醒"，再对着说 "打开灯"
看！板载 RGB 灯亮了，屏幕变亮、出现一盏灯泡。说"关闭灯"——灯灭、屏幕变暗。说"播放音乐"——扬声器真的唱起《小星星》。
同样在"猜字"，但这次模型（一沓"声音→字"的对照表，约 3MB）直接住在板子芯片里。声音变成数字后，不用寄出去，芯片当场猜。
本地 vs 云端，怎么选？
| 比一比 | 本地（demo04） | 云端（demo02/03） |
|---|---|---|
| 联网 | 不用 | 必须 WiFi |
| 密钥 | 不要 | 要 |
| 能认什么 | 固定命令词（唤醒词 + 预设拼音） | 任意句子，大词库 |
| 谁在猜 | 板子芯片（3MB 小模型） | 百度服务器（千万条声音） |
| 快慢 | 毫秒级，当场答 | 要上传 + 排队 |
| 隐私 | 声音不出板子 | 声音寄到外网 |
| 换服务/加新词 | 换模型重烧 | 改配置/换厂商即可 |
一句话记：本地像自家小狗——快、听话、认得主人几个口令，但听不懂别的；云端像打电话问专家——什么都会，但要联网、要付费/密钥，还得把问题说给对方听。
💡 试着对本地版说一句没登记过的话（比如"帮我把灯调成紫色"）——它没反应。不是坏了，是"小狗没学过这个口令"。而云端版能接住。选谁，取决于你要快和私密，还是要大而全。
7. 想自己看懂一点点代码：两个名字就够
打开 demo02_speech_to_text.ino（或问 AI 帮手），只看两个名字：
- pcmBuffer：声音数字的家。你说那几秒被变成一串数字，就住在这个"仓库"里——3 秒住 96000 个字节。demo01 画的波形，就是把这个仓库里的数字一个个画出来。波形和数字，是同一个东西的两张脸。
- speechToText：寄出去换文字的那一棒。装信封 → WiFi 寄给百度 → 等回信 → 拆出文字。
中文伪代码（不用背）：
点一下屏幕：开始往 pcmBuffer 里存数字（每秒 16000 个）
再点一下：pcmBytes 里攒了 N 个字节
调 speechToText()：
N 不够 32000（1 秒）？报错，云端不收短于一秒的信
把 N 个字节装进 base64 信封，寄给百度
等回信，拆出文字，画到屏幕
💡 想把这条链子用起来？烧
demo03_voice_notes：连续识别多条，最新便签插在最上面，最多 5 条。试试录一张"今日作业清单"。便签存在内存里，断电就丢——想不丢？把识别结果写进 TF 卡（第 10/14 课学过），这就是创意方向表的第一行。
打开 demo04_offline_asr.ino，找 sr_commands[]——本地版的"口令登记表"。你会发现命令不是汉字，而是拼音（da kai deng / guan bi deng）：本地小模型的声学词表按拼音音节组织，所以口令要"翻译"成拼音写进去。想加一条新口令？在这里登记就行（还要确认模型词表里有对应音节）。
8. 自检小测（点开对答案）
1. 3 秒的声音等于多少字节？怎么算的？
96000 字节。每秒采样 16000 个数字 × 每个 2 字节 × 3 秒。2. 声音变文字的三步里，哪几步在板子上？
第 1 步采样（板子）和第 2 步装信封（板子上完成打包）。上传要路过 WiFi，比对猜字在百度云端。3. base64 是加密吗？
不是。它只是把数据"重新誊写"成网络传输认识的标准字符，谁都能还原。它管"能不能寄"，不管"能不能被看懂"。4. 为什么嘈杂环境容易识别错？
别人的声音和你的声音混在同一份数据里寄给了云端，云端分不清哪段是你说的话。5. pcmBuffer 和 speechToText 各管什么？
pcmBuffer = 声音数字的家（存 PCM 数据）；speechToText = 把数字装信封寄给百度、换文字回来的那一棒。6. 说半秒就点停，会发生什么？为什么？
屏幕报"说得太短了，至少一秒"。因为云端规定短于一秒（32000 字节）的样本不收，板子在寄信前替云端把关（MIN_RECORD_BYTES）。7. 本地识别（demo04）和云端识别最大的不同是什么？
模型住的地方不同：本地把约 3MB 的"声音→字"模型放进板子芯片，不联网、当场猜、只认固定命令词；云端把声音寄给百度，用千万条声音的大模型猜，任意句子都能接，但要联网和密钥。8. 对本地版说一句没登记过的话，它没反应。是坏了吗？
不是坏了。本地模型的词表里没有这句话的音节/口令，相当于"自家小狗没学过这个口令"。换云端版就能接住——这正是本地和云端的取舍：要快和私密，还是要大而全。9. 挑战任务
- 字节侦探：用 demo02 分别说 1 秒、2 秒、3 秒的话，把屏幕上"声音 B"三个数字记下来——它们是不是差不多 32000 / 64000 / 96000？
- 错误收藏家：故意收集 3 条识别错误的结果，判断每条属于"四种情况"里的哪一种（噪声/太快/太小/同音字），写在错误旁边。
- 断网实验：拔掉 WiFi（或关掉路由器），分别对 demo02（云端）和 demo04（本地）说"打开灯"。哪个还认你？为什么？
- 口令设计师：给 demo04 设计一条新口令（比如"播放儿歌"→
bo fang er ge），想想要不要登记进sr_commands[]，本地和云端各要改哪里？ - 便签作品：用 demo03 录 5 条"今日提醒"，然后想一个办法让它们断电也不丢（提示：第 10 课 TF 卡），把思路写给 AI 帮手看。
