从零到一：ESP32与豆包大模型的RTC连续对话实现指南

一、对话效果演示

ESP32与豆包大模型的RTC连续对话

二、ESP-ADF 介绍

乐鑫 ESP-ADF（Espressif Audio Development Framework）是乐鑫科技（Espressif Systems）专为 ESP32 系列芯片开发的一款音频开发框架。它旨在简化基于 ESP32 芯片的音频应用的开发，提供丰富的音频功能和工具，帮助开发者快速构建高质量的音频产品。

1、主要特点

1.1、跨平台支持

ESP-ADF 支持多种操作系统，包括 FreeRTOS 和 Linux，适用于不同的开发环境。

1.2、丰富的音频功能

• 支持多种音频格式（如 MP3、AAC、WAV、FLAC、OPUS 等）的解码和编码。
• 提供音频流处理功能，支持网络流媒体（如 HTTP、HLS、RTSP）和本地文件播放。
• 支持音频效果处理，如均衡器、混音、回声消除等。

1.3、模块化设计

ESP-ADF 采用模块化设计，开发者可以根据需求灵活选择功能模块，降低开发复杂度。

1.4、易于集成

提供丰富的 API 和示例代码，方便开发者快速上手并集成到现有项目中。

1.5、支持多种外设

• 支持 I2S、PWM、DAC 等音频接口。
• 兼容多种麦克风、扬声器和音频编解码器。

1.6、低功耗设计

针对 ESP32 的低功耗特性优化，适合电池供电的音频设备。

2、主要组件

2.1、音频管道（Audio Pipeline）

提供音频数据流的处理框架，支持多路音频流的混合和处理。

2.2、音频编解码器（Codec）

支持多种音频格式的编解码，方便处理不同来源的音频数据。

2.3、音频流（Stream）

支持从网络、本地文件或外设获取音频数据。

2.4、音频效果（Effect）

提供音频效果处理功能，如均衡器、混音、回声消除等。

2.5、音频服务（Service）

提供高级音频服务，如语音助手集成、语音识别等。

3、应用场景

ESP-ADF 适用于多种音频应用场景，包括：

• 智能音箱和语音助手
• 网络音频播放器
• 蓝牙音频设备
• 录音设备
• 语音识别和语音控制设备

三、安装 ESP-ADF 框架

Step1、克隆仓库源码

# git clone --recursive https://github.com/espressif/esp-adf.git
git clone --recursive https://gitee.com/EspressifSystems/esp-adf.git

执行“recursive”更新失败，是因为 github 网络问题，此时需要使用工具仓库 esp-gitee-tools，可以参照 Linux下ESP32开发环境搭建：新手也能轻松上手_esp32 linux环境搭建-CSDN博客，

Step2、配置 ESP-IDF 与 ESP-ADF

cd esp-adf
./install.sh
. ./export.sh

如果在安装时，又遇到网络问题，可以把下载链接直接复制到其他软件进行下载，然后拷贝到 /home/sam/.espressif/dist/ 这个路径下，重新执行安装脚本，

这样子太麻烦了，实际上官方文档中有解决方案，

export IDF_GITHUB_ASSETS="dl.espressif.cn/github_assets"

可以看到使用了镜像地址之后下载速度一下子就提升了，

接着配置环境变量，

sudo vim ~/.bashrc 
# export ADF_PATH=/data/home/sam/MyWorkSpace/esp-adf
# export IDF_PATH=/data/home/sam/MyWorkSpace/esp-adf/esp-idf
source ~/.bashrc 

. ./export.sh

至此，环境搭建完毕。注意，这仅对当前命令窗口有效，如果新开了窗口，则需要重新执行脚本，因此我们可以为脚本导入一个别名，在 .bashrc 文件底部添加：

alias get_adf='. /data/home/sam/MyWorkSpace/esp-adf/export.sh'

四、烧录 volc_rtc 固件

1、准备工作

使用 vs code 打开 esp-adf 项目，打开路径 examples/ai_agent/volc_rtc ，

根据 README 文件的指引，需要登录火山引擎申请 token 与配置各个参数。

2、火山引擎配置

2.1、账号注册

登录网址：账号登录-火山引擎

首次注册登录需要实名认证，认证完之后直接搜索“实时音视频”，

2.2、开通“实时音视频”服务

点击“视频服务”的“实时音视频”就会跳转页面，

点击“领取礼包并开通”，

提交成功之后，点击“去控制台”，

可以看到已经创建了默认应用，直接点击“临时token”，

RoomId 与 UserId 随便填就可以，然后生成临时 Token，

把参数全部配置到 examples/ai_agent/volc_rtc/main/config.h 文件，还要配置 WIFI 账号密码，不然没法联网。

2.3、设置权限

配置“访问控制”：账号登录-火山引擎

2.4、智能体 API

智能体配置：API Explorer

使用智能体进行对话前，你需要开通 ASR、 TTS 和大模型服务并配置相关策略，详情请参看开通服务。

2.5、开通 ASR/TTS 服务

ASR/TTS：账号登录-火山引擎

进入页面后，点击“创建应用”，主要选中“大模型语音合成”、“语言合成” 、“流式语音识别”，

如果需要配置音色，则需要开通服务，这里先用试用版，

AppId 与 Token 可以在底部查到：

2.6、开通 LLM 服务

大语言模型配置：账号登录-火山引擎

点击“系统管理”，注意右上角开启“免费用量 自动暂停”，然后选中其中一个模型进行开通。

可以看到已经开通成功，接着配置“在线推理”：

2.7、自定义推理接入点

选中刚刚开通的大模型，点击“确认接入”，

这里 ep 开头的就是需要获取的 EndPointId 参数值，

以上我们已经获取了启动智能体所需的所有参数，先用 Web 端测试参数是否可以正常使用，

2.8、无代码测试

弹窗中，依次检查 Step1、Step2，然后“加入 RTC 房间”，

生成临时 token 并且使用临时 token 进入房间，

接着配置智能体，

输入刚刚获取的 ep 开头的 EndPointId ，

ASR 与 TTS 配置需要在语音技术页面找到 AppId 与 Cluster，点击下方蓝色提示词就可以跳转到对应的页面了，

最后点击“开始调用”，

此时会听到豆包AI在说话就表示正常调用。

2.9、启动智能体

接下来整合参数配置、发起请求启动智能体：

"ASRConfig": {
            "Provider": "volcano",
            "ProviderParams": {
                "Mode": "smallmodel",
                "AppId": "9*******"
            }
        },

语音识别配置，这里使用小模型，只需改 AppId。

"TTSConfig": {
            "Provider": "volcano",
            "ProviderParams": {
                "app": {
                    "appid": "9*******",
                    "cluster":"volcano_tts"
                }
            }
        },

语音合成配置，这里只需改 AppId。

"LLMConfig": {
            "Mode": "ArkV3",
            "EndPointId": "ep*******",
            "MaxTokens": 1024,
            "Temperature": 0.1,
            "TopP": 0.3,
            "SystemMessages": [
                "你是小马，性格幽默又善解人意。你在表达时需简明扼要，有自己的观点。"
            ],
            "WelcomeSpeech": "你好，我是小马"
        }

大语音模型配置，这里只需改 EndPointId，角色预设与欢迎语根据自己需求修改。

配置好参数后，点击“发起调试”，可以看到已经调用成功。如果需要关闭智能体，则点第二个菜单，同样填入页面需要的参数即可。

五、编译烧录

1、自定义设备

添加 components/audio_board/esp32_s3_sparkbot，因为该硬件 codex 芯片采用 ES8311 ，因此可以参考示例中同样音频芯片的 ESP32-S3-BOX-3 设备，只需要修改对应 IO 即可，

修改 components/audio_board/CMakeLists.txt，

if (CONFIG_ESP32_S3_SPARKBOT_BOARD)
message(STATUS "Current board name is " CONFIG_ESP32_S3_SPARKBOT_BOARD)
list(APPEND COMPONENT_ADD_INCLUDEDIRS ./esp32_s3_sparkbot)
set(COMPONENT_SRCS
./esp32_s3_sparkbot/board.c
./esp32_s3_sparkbot/board_pins_config.c
)
endif()

修改 components/audio_board/Kconfig.projbuild ，

​config ESP32_S3_SPARKBOT_BOARD
    bool "ESP32-S3-SparkBot"

2、设置目标芯片

idf.py set-target esp32s3

3、配置 menuconfig

idf.py menuconfig

这里我们选中刚刚自定义的 ESP32-S3-SparkBot，

4、执行编译

 idf.py build

5、一键烧录

idf.py -p /dev/ttyACM0 flash monitor

可以看到加入房间成功，可以开始与豆包AI对话。

ESP32与豆包大模型的RTC连续对话

彩蛋：EspSparkBot 对接豆包大模型

博客链接：手把手教你玩转ESP-SPARKBOT与豆包大模型：从零到一的完整指南-CSDN博客

参考资料

• Get Started - - — Audio Development Framework latest documentation
• https://github.com/espressif/esp-adf
• esp-adf: ESP-ADF 是由乐鑫官方推出的针对 ESP32 和 ESP32-S2 系列芯片的音频开发框架。ESP-ADF 国内镜像仓库，Issues 和 PRs 请仍旧提交到 github。
• 开通服务--实时音视频-火山引擎