很多人DIY机器人做到一半就卡住了：电机能转、舵机能动，可它就是'聋的',你跟它说句话，它一句都听不见。其实给机器人加个'耳朵'没有想象中那么玄乎——一块麦克风阵列加几十行代码，两三百块就能让它听懂'前进''后退''转圈'这些口令，数据全在本地跑，不用联网。这个坑我踩过好几轮，直接把能跑通的方案给你。
硬件选型：两百块能凑齐一整套
核心就三样：一块麦克风阵列模块、一块主控板、一个功放喇叭。麦克风阵列我推荐ReSpeaker 2Mic/4Mic这类现成模块，几百块到几十块档位都有，自带板载阵列和降噪，一个USB或者I2S口就能接到树莓派上；预算再紧，用几颗INMP441这样的数字硅麦自己搭四麦阵列也不是不行，只是得自己处理I2S时序，会麻烦一点。主控用树莓派Zero 2W或者ESP32都行，舵机驱动板和喇叭另算，加总控制在两三百元内没问题。
接线看着乱，其实就三根线的关系
接线这一步最容易劝退新手。别慌，核心就三条：麦克风阵列的供电接3.3V/5V，地线共地，音频数据走I2S或者USB。ReSpeaker这类模块大多有现成的π-hat接口，插上树莓派就是对齐针脚，几乎不用飞线；要注意的是供电——别跟舵机驱动共用一路电源，舵机一猛转，麦克风那边就会有电流噪声，拾音质量直接崩。建议麦克风单独一路，舵机驱动单独一路，共地但隔离供电，这个坑踩了三次才悟出来。
驱动装好，离线识别才是重头戏
驱动装上、能读到音频流之后，重头戏是让机器人'听懂话'。离线方案我跑下来最顺的是这么一套：唤醒词用Porcupine或者Snowboy这类轻量引擎，先在本地把'小虾小虾'这种自定义词注册好，机器人平时待机不耗资源，一说唤醒词才进入识别态;语音识别用Vosk或者Whisper的本地小模型，识别完文本再做一个简单的指令词表映射，碰到'前进''后退'就调对应的舵机/电机接口，在这层做一次匹配，机器人就动起来了。
这里有个关键心得：唤醒和识别分开做，千万别把所有信号一股脑喂进同一个识别流。分开之后，误唤醒和响应速度都能明显改善，机器人看起来'机灵'很多。
最容易翻车的三个点
一是唤醒阈值调太高，喊破喉咙也不理你;调太低，旁边人一说话它就乱动。我用一组开关机测试标定到'三米内正常说话能唤醒、一米外别人聊天不骚扰'就差不多了。二是负反馈：识别到指令动作后，最好给一段LED或者语音反馈，不然它执行了但你没察觉，会以为它聋了。三是TTS，用本地引擎合成就够，不用联网调用云接口，响应快也稳定。
跑通之后，还能更骚一点
等'听懂指令'这条链路稳了，再往上加就水到渠成：把离线识别换成对接本地大模型，让机器人从'听懂口令'进化到'能自由对话';或者接一个摄像头，把说话的对象识别出来，做视觉+语音的组合联动。路线是通的,只要第一步'耳朵'立住了，后面想怎么长都行。
写在最后
一句话总结：给机器人装'耳朵'，硬件上就是麦克风阵列+主控+电源隔离这三件套，软件上唤醒和识别分开做，两三百块一个周末就能让它听懂话。这个坑我给你踩平了，你直接照着抄作业就行——动手之前记得先把供电隔离做好，其他的都好说。
唤醒和识别分开做这条是真干货，我之前一股脑塞一个流里，误唤醒到怀疑人生。这个思路学到了。
供电隔离那个坑我也踩过，舵机一转麦克风就滋啦滋啦响，排查半天。早点看到这篇就好了。
给机器人装耳朵，普通话标准程度是不是也会卡住识别？方言党有点慌。
离线跑数据全在本地，隐私这块确实踏实。加上自家大模型就能自由对话了，进化路线清晰。
两三百块 一个周末，这门槛对新手够友好了。改天先拿ESP32试一把。