一、整体架构总览

设备硬件：MCU主控 + 4G通信模组+ 麦克风（拾音）+ 喇叭（播放）

软件链路：

麦克风采集语音 → MCU编码音频 → 4G模组AT指令建立网络通道 → 上传音频到云端智能体

云端处理：ASR语音转文字 → LLM大模型思考生成回复文本 → TTS文本合成语音

下行链路：云端下发合成音频 → 4G模组AT透传下发音频流 → MCU解码播放喇叭

二、4G模组AT指令基础前置操作（必须先完成网络附着）

所有数据传输前，先用AT指令让4G模组联网，分6步：

1. 串口初始化MCU与4G模组串口（9600/115200波特率）

2. 模组基础检测

AT          // 测试模组通信，返回OK正常

AT+CREG?    // 查询注册蜂窝网络，返回0,1/0,5代表注册成功

AT+CGATT?   // 查询附着分组域，1=附着成功

3. 设置APN（运营商流量卡）

AT+CGDCONT=1,"IP","CMNET"  // 移动；联通UNINET；电信CTNET

4. 激活PDP上下文，建立数据通道

AT+CGACT=1,1

5. 获取模组本地IP

AT+CGPADDR=1

6. 建立TCP/UDP透传连接（核心，用来上传音频、接收TTS语音）

AT+CIPSTART="TCP","xxx.xxx.xxx.xxx",8080  // 智能体平台服务器IP端口

// 返回CONNECT 代表长连接建立成功

AT+CIPSEND=长度  // 下发指定字节数据流（音频/文本）

> 两种传输模式：

> 1. 缓存透传：`AT+CIPSEND=X` 发送X字节二进制音频；

> 2. 命令模式发文本：直接发送字符串，用于下发控制指令。

三、完整业务链路分步实现：ASR→LLM→TTS

链路1：本地拾音 + 音频封装（MCU端）

1. 麦克风采集模拟语音，MCU内置ADC采样，编码为PCM/AMR/G.711轻量化音频（4G流量小）；

2. MCU给音频加自定义包头：设备ID、音频长度、采样率、编码格式；

3. 通过串口调用4G模组`AT+CIPSEND`，分段上传二进制音频流到智能体后台TCP服务。

链路2：云端ASR自动语音识别（声音→文字）

平台收到4G上传的音频流后：

1. 解包分离纯音频数据；

2. 调用内置ASR服务，输出识别文本；

示例：音频“现在多少度” → ASR输出文本：`现在室内温度多少度？

链路3：LLM大语言模型逻辑处理（AI大脑）

将ASR识别文本送入LLM，同时携带设备上下文（设备状态、历史对话）：

1. LLM理解用户语义；

2. 生成应答文本；

ASR文本：`现在室内温度多少度？`

LLM输出应答文本：`当前室内温度26摄氏度，温度舒适`

链路4：云端TTS语音合成（文字→音频）

LLM输出文本送入TTS引擎：

1. 配置音色、语速、采样率，生成和上传编码一致的PCM/AMR语音流；

2. 打包音频数据流，通过之前4G模组建立的TCP长连接下行推送。

链路5：4G模组下行透传音频 + MCU播放

1. 4G模组收到平台下发的二进制音频，串口主动上报数据（+RECV消息）；

2. MCU接收分包音频，拼接完整语音；

3. MCU DAC解码，驱动喇叭播放TTS人声。

四、两种主流AT指令传输方案对比

方案A：TCP长连接透传（推荐语音交互）

全程一条`AT+CIPSTART`保持连接，音频分片上行、TTS音频分片下行，延迟低，适合实时语音对话。

AT核心流程简化：

AT+CIPSTART="TCP","平台IP",端口

// MCU采集音频分段发送

AT+CIPSEND=128

[128字节音频数据]

// 云端处理ASR+LLM+TTS后，服务器下发音频

模组串口主动输出：+RECV:256, [256字节TTS语音]

方案B：HTTP/POST AT指令上传（简单低并发设备）

使用`AT+HTTPPOST`把音频二进制放在http body上传平台，适合低实时性场景，交互延迟更高，不适合连续语音对话。

AT+HTTPINIT

AT+HTTPPARA="URL","http://平台域名/asr/upload"

AT+HTTPDATA=音频总长度,超时时间

[音频二进制数据]

AT+HTTPACTION=1 // 发起POST请求

五、关键配套控制指令（对话启停）

1. 开始录音指令（MCU触发拾音）：MCU串口下发AT控制自定义指令给平台

`AT+CIPSEND=10,START_AUDIO`

2. 结束录音上传指令：

`AT+CIPSEND=8,END_AUDIO`

3. 停止TTS播放：

`AT+CIPSEND=7,STOP_TTS`

六、完整时序流程图

1. MCU发送AT联网 → 4G模组TCP连接平台

2. 用户说话 → MCU采集编码音频 → AT+CIPSEND分段上传音频

3. 云端：音频→ASR文字→LLM生成回复文本→TTS合成语音流

4. 平台下行TTS语音包 → 4G模组串口推送数据给MCU

5. MCU解码音频，喇叭播放AI回答

6. 循环等待下一次语音拾音

七、痛点与优化方案

1. 4G分包丢包：音频增加序号包头，云端做分包重组，丢失则设备重传；

2. 流量消耗大：音频采用AMR压缩编码，降低传输字节；

3. 交互延迟高：TCP长连接代替HTTP，云端ASR流式识别（边上传边识别，不用等整段音频）；

4. 模组掉线：MCU定时心跳AT指令 `AT+CIPSEND=6,PING`，断连自动重执行`AT+CIPSTART`重连。

八、硬件极简逻辑总结

4G模组只负责透传二进制数据流，完全依靠AT指令建立网络通道；

ASR、LLM、TTS算力全部放在云端平台，本地MCU只做：音频采集编码、串口收发AT指令、音频解码播放，本地无AI算力，成本更低，是物联网语音智能体设备通用方案。