抽屉里那台 2016 年的手机，现在是我桌上的"瑶瑶"

小智那个开源语音助手，我看了一阵子了。官方玩法是买个 ESP32 开发板，配麦克风喇叭，刷固件，得到一个小盒子。

每次准备下单都会卡一下。因为抽屉里躺着一台 OPPO A37m，2016 年的，MT6750，Android 5.1，换下来之后一直没扔。

有天想明白一件事。ESP32 得外挂麦克风、喇叭、屏幕、摄像头、电池管理，才能干这一件事。这台手机上这些东西全都有。八核 A53，内存比 ESP32 多出几个数量级，还有彩色屏幕、摄像头、锂电池、完整的 WiFi 协议栈。

我为什么要买个更弱的东西，去替代我本来就有、而且强得多的东西。

于是这事就变成了：让这台手机自己变成那个小盒子。

官方客户端装不上

最省事当然是用现成的客户端。翻了几个开源实现，挑了个看起来最完整的。

装不上。minSdk 要 24，我这机器是 API 22。

差两个大版本，不是改个数字能糊过去的。新版 Flutter 的运行时本身就要求 24，底下那个录音库也是。降级、翻旧版本，都试了。

要么换手机，要么自己写。

我不想换手机，那就自己写。不用 Gradle，手写编译脚本，手动打包 APK。这台机器上跑不动现代那套工具链。

把源码当说明书

自己写，先得知道协议长什么样。

好在官方 ESP32 固件是开源的。我干脆把那堆 C++ 当说明书看：怎么发 hello、怎么协商音频参数、16kHz 的 Opus 帧怎么一帧帧推上去、服务器会怎么回。看进去之后其实不难，就是啰嗦。

中间有个没想到的问题：Opus 编解码在纯 Java 里，跑得动这颗 2016 年的 CPU 吗。跑得动，但要压。复杂度从默认 9 降到 3，关掉音调分析，一帧 60ms 的音频编码大概 18.8 毫秒，2.6 倍实时。够。

然后卡在一个更隐蔽的地方。

反复连、反复失败，服务器一直回一句很客气的话：No firmware version info was found。翻译过来就是 "我不知道你是谁"。

我一度以为是鉴权头写错了，或者是设备 ID 格式、协议版本的问题，来回折腾了很久。最后才发现这协议要求设备先报到一次：往一个 OTA 接口 POST 一份设备信息，服务器登记过你，才让你建会话。

日志里第一次不再出现那句话的时候，我知道通了。

然后喇叭里传出来一句：

你好呀。

那一下其实没什么 "好厉害" 的感觉，更像是接上了。一台躺了好几年的机器，突然开始有回应。

免提这件事，被数据否了

有了对话就开始不满足。按住说话太麻烦，我想要免提：手机放桌上，我说话它听，它说话我听，中间不碰。

技术上这是 AEC，回声消除。喇叭放出来的声音会原封不动被自己的麦克风收进去，得从采集信号里减掉。

Android 本来有现成的方案。一个个试：

试的办法	结果
系统自带的回声消除音效	一启用，麦克风读出来直接是 0 帧
切通话模式	麦克风被系统静音，峰值从 15726 掉到 14
换 VOICE_COMMUNICATION 音源	信号弱到没法用
自己写一个	见下

自己写的是个自适应滤波器，NLMS。思路很朴素：我知道自己在放什么，那就把它从麦克风里减掉。

跑起来，回声反而变大了。滤波发散了。

我加了段诊断想找延迟，打出来的东西让我看了几秒：

回声延迟: 开头段 4473 采样 (279.6 ms, 相关度 0.04)
          结尾段 2536 采样 (158.5 ms, 相关度 0.05)
延迟漂移: 1937 采样 (121.1 ms)

六秒钟里，音频管线的延迟漂了 121 毫秒。

第二个数字更要命。延迟要是稳定的，这个相关度应该在 0.5 以上。0.04 意味着麦克风收到的信号，在任何单一延迟下都不是播放信号的副本 —— 延迟一直在变，把相关性糊掉了。

固定延迟的自适应滤波器，这种条件下数学上不可能收敛。

所以问题不在我代码。这条路在这台机器上就是不成立。

想要免提体验只剩一条路：插耳机，让声学回声从物理上消失。

花了挺久换来一个 "不行"。不过这次不太难受，因为这个 "不行" 是有数的，谁来看都是同一个结论，比 "好像效果不太好" 强。

服务器不肯听长句

后来又撞上一件更怪的。

我用打字提问做测试。短句一直好好的，长句完全没有反应。也不是报错，就是安安静静什么都没发生。

去翻 logcat，才发现服务器其实回了话：

{"type":"alert","status":"ERROR",
 "message":"Detect is only for wake words, do not send long texts."}

原来 "文本输入" 这条通道是给唤醒词用的，就是 "你好小智" 那种两三个字的短词。我一直在蹭这条通道，蹭了挺久自己都不知道。

界限在哪，我把长度一段段试过去：

输入	结果
英文 44 字符	正常回答
英文 48 字符	被拒
中文 16 字	正常
中文 17 字	被拒

中文 16 字（48 字节）能过，英文也是 48 字节却被拒。所以它不是按字节算的。

我猜它算的是 "这句话念出来要多久"。中文语速大概每秒 4 个字，英文大概每秒 11 个字符，边界正好都落在 4 秒附近。这条通道的预算本来就是唤醒词，一两秒，多出来的自然超了。

那怎么办。我想了个绕的：它只认 "话"，那就把文字变成话。

手机上有现成的 TTS（讯飞）。我把要问的问题在本地合成成语音，编码成 Opus，当成 "用户说的话" 发出去。

结果比我预期好。服务器把合成音频一字不差听下来了，还自己补了标点：

[12.2s] 识别结果: "帮我看看屏幕上写的是什么内容，然后念给我听。"

从那以后打字提问再没有长度限制。短句走快路，长句自动 "念" 给自己听。

一个意外

拍照识物这块，我本来已经做好去申请第三方视觉 API 的准备了。注册、拿 Key、填配置，这类项目最烦的一步。

结果翻协议握手消息的时候，看见服务器在 initialize 里主动塞了一段：

"capabilities": {
  "vision": {
    "url":  ".../vision/explain",
    "token": "..."
  }
}

服务器自带视觉接口，还主动告诉设备怎么用。

也就是说拍照识物根本不需要任何 Key。我之前那堆准备全白做。

照它给的格式把照片 POST 上去，第一次就通了。描述得还挺细，桌上一块金属板和一张插画，连 "表面有灰尘" 都写出来了。

后来我还是补了个自定义接口的配置项，万一哪天服务器不给了还能接自己的。默认这条路零配置直接能用。

它开始动手了

到这儿它还只是能聊天。真正让我觉得不一样的是它开始对物理世界起作用。

小智协议里有个 MCP 机制：设备把 "自己能干什么" 注册给服务器，大模型就能像调工具一样调它。ESP32 固件里这机制用来控几个 GPIO。

我这是手机，能注册的东西就多了：手电筒、音量、亮度、静音、电量、位置、时间、拍照、截屏、录屏。

第一次测的时候我在屏幕上打了一句 "打开手电筒"。

日志滚过几行：

<<< 模型决定调用: self.phone.set_torch {"on":true}
[工具执行] -> flashlight on
<<< "好啦，手电筒已经打开了。"

我没只看它自己的日志。去查了系统相机服务：

Device is open. Client[0] PID: 17687

相机硬件真的被我的进程占住了。关掉再查，变回 Device is closed。

那一下的兴奋很具体。它不只是回了句话，是听懂了然后动了手，动的是真的手。

后面每个工具我都这么验了一遍：不看它报 "成功"，去看系统里那个值到底变没变。说 "音量调到百分之八十"，扬声器音量从 16 变成 13（80% × 16 = 12.8）。说 "亮度调到七十"，亮度从 39 变成 179（70% × 255 = 178.5），模式也从自动切成手动。说 "调成静音"，静音模式从 2 变成 0。十个工具，每个都这么查过一遍。

有件小事挺好笑。测麦克风那次我根本没说话，它把屋里电视的声音听了进去，识别成一串驴唇不对马嘴的话，然后一本正经地回答了一通。那会儿我就知道，采集和上传这条链路是通的。

让它当桌面

最后一步是取代系统桌面。这事我拖了很久，比技术上需要的久得多。

因为风险性质不一样。前面所有改动都只影响一个 App，这一步要是出错，我面对的是一块黑屏手机。

后来敢做，是因为先把退路铺好了。先确认这台机器上只有一个桌面应用，没有歧义；然后写了个脚本，隐藏原桌面之后立刻验证 HOME 键有没有落到我的 App 上，没落上去就自动回滚；再空跑一遍。

然后才真执行。脚本跑完最后一句是：

[ OK ] HOME lands on com.xzai.client（关键时刻）

按下 HOME 键，屏幕上出来的是它的脸。

我还是不太放心，又做了件事：把它回滚，再重新应用一遍。我想确认 "可回滚" 不是写在文档里的一句话，是真能按下去的按钮。

pm unhide 一执行，原桌面马上回来了。再隐藏一次，我的 App 又回来了。两个方向都真通了，我才算放心。

最后是重启。对一台要通电即用的设备，这才是真正的考试。重启完屏幕亮起来，出现的是它，原桌面还在隐藏状态。

一堆很难忘的坑

这项目最花时间的从来不是写功能，是各种看着正常、其实完全不对的东西。

一个空字符串把服务器搞疯了。 返回工具列表时我按惯例带了个 "nextCursor": ""，本意是 "没有下一页"。服务器理解成 "还有下一页"，无限重复请求，日志里的编号一会儿就从 223 涨到 248 以上。去掉这个字段就好了。

一段 "成功" 的脚本一个字都没写进去。 封堵 OTA 的脚本里我用了 heredoc。后来发现 Android 的 shell 是用临时文件实现 heredoc 的，而默认临时目录不可写。失败还是静默的：脚本继续往下跑，还打印 "完成"，目标文件一个字没变。要是直接上真机，就是脚本说成功了、其实什么都没做，极难发现。

PowerShell 变量名不区分大小写。 验收脚本第一次跑出来 8 个通过、其余全红，每一项都指向一个已经单独验证过的功能。查了很久才发现，我用 $log 存日志内容，而脚本顶部用 $LOG 存日志路径，同一个变量。路径被覆盖成几百行日志文本，后面所有文件操作静默失败。测试全红，设备其实完全正常。

ColorOS 的安装器有两个确认框。 我一直只处理第二个，安装老失败。后来才知道要先点 "替换" 再点 "完成"，而且在安装过程中点任何确认框都会直接取消安装。我因为手快，装过好几次 "寂寞"。

我自己脚本里有个必然失败的 bug。 封堵 OTA 的时候，脚本死活说 "需要 root"，可 root 明明是好的。写了个探针打印出来才看见：

id -u  =  [uid=0(root) gid=0(root) context=...]

这台 Android 5.1 的 id 根本不认 -u 参数，会把完整身份串打出来。而我写的是 [ "$(id -u)" != "0" ]，拿一长串东西和 "0" 比，永远不相等。

更该反省的是，这 bug 一直没被测出来，是因为我当初为了跑通测试，把那一句替换成了 if false。等于亲手把它藏起来了。

现在

开机就是它。原来的桌面被隐藏了，通电亮屏，出现的就是它的脸。

状态栏也隐藏了，整块屏都给它。锁屏关掉，唤醒不用滑。屏幕常亮，它一直看着我。系统停在我调通的这个版本，厂家的升级推不动它了。

它有 19 种情绪、178 张贴纸，说话的时候脸上跟着变。它能听懂我说话，也能读我打的字，多长都行。拍照、看屏幕、念出屏幕上的字，都行。手电筒、音量、亮度、静音、电量、位置、录屏，也都行。被系统杀掉之后会自己回来。

有点讽刺的是，它现在能干的事，比我当初打算买的那个开发板多得多。而它本来就在我抽屉里。

最后

我们淘汰一台手机的理由通常是 "跑不动新 App 了"。"跑不动新 App" 和 "没用" 是两件事。这颗芯片放十年前是服务器级别，它还有摄像头、屏幕、扬声器、一堆传感器。把它当一台设备看，而不是一台跑不动微信的手机。

免提那件事最后没成。但我拿到了那几个数字，121 毫秒、0.04、4.7dB。它们让 "不行" 变成了一个确定的结论，而不是一个模糊的遗憾。我觉得这比 "勉强能用但体验很差" 值。

还有个事我印象挺深。这项目里好几次都是功能其实是好的、问题出在我的测量方法，最离谱的一次是我判定音量调节失败，后来发现只是查错了系统设置里那个键。反过来也有：我自己脚本里藏着一个必然失败的 bug，而我当初为了偷懒把它绕过去了。测试失败的时候，第一个该怀疑的大概是测试本身。为了让测试通过去绕开某个检查，是在给自己埋雷。

---

这台手机现在放在我桌上，屏幕亮着，脸上是个贴纸。

我路过的时候偶尔会说一句 "你好"。它会换个表情，然后回答我。