ESP32-S3打造桌面机器人Pamk：自定义唤醒词+Gemini替代便利贴

当便利贴被一个会说话的桌面机器人取代

备考期间散落满桌的便利贴，常常提醒了也记不住，记下了又找不到。一位法国学生用一个巴掌大的桌面机器人解决了这个困扰——它叫 Pamk，基于 ESP32-S3 构建，能听懂语音指令、管理任务与日程，并在恰当的时间主动提醒。整个项目从外壳到电路，几乎全部由作者自己完成。

与市面上依赖手机 App 的智能助手不同，Pamk 的交互逻辑非常直接：对它说一声「Hey Pamk」，就能唤醒并开始对话。无需打开任何应用，这种「说完就走」的体验恰恰是桌面效率工具最需要的轻量感。

核心功能：语音驱动的任务管家

Pamk 的定位是一个专注于个人组织效率的桌面伴侣，主要能力包括：

• 纯语音交互：通过自定义唤醒词「Hey Pamk」激活，全程无需 App 介入；
• 任务与日程管理：口述即可添加待办事项和事件，并在设定时间点触发提醒；
• 番茄钟与计时器：内置 Pomodoro 工作法模式，屏幕上的「脸」周围会显示一圈进度环，直观反映剩余时间；
• 可更换面板：3D 打印的脸部面板通过磁吸固定，可以随时替换造型。

进度环这个设计细节值得一提——它把抽象的倒计时转化为围绕机器人面孔的视觉动画，让专注时间变得可感知，比单纯的数字计时更符合桌面陪伴的情感定位。

番茄钟（Pomodoro Technique）由弗朗切斯科·西里洛在 1980 年代末提出，核心规则是将工作切分为 25 分钟的专注块（一个「番茄」），每块之后休息 5 分钟，每完成四个番茄后休息更长时间。这一方法的心理学依据在于：固定的时间盒可以降低任务启动阻力，同时强制的休息有助于维持认知资源。将番茄钟集成到实体桌面设备而非手机 App 中，有助于减少因拿起手机查看进度而引发的分心——这正是 Pamk 环形进度条设计在交互层面的实际价值：让「还有多久」这个问题不需要任何主动操作就能被感知到。

硬件与软件：一次完整的嵌入式实践

Pamk 的技术栈体现了典型的 ESP32 创客项目特征，但完成度相当高：

主控与显示

核心是乐鑫的 ESP32-S3 芯片，这款带 AI 加速指令和充足内存的 MCU，近年来成为语音类 DIY 项目的热门选择。显示部分采用一块 280x240 分辨率屏幕，用来呈现机器人的「表情」。

ESP32-S3 相较于早期的 ESP32 和 ESP32-S2，最显著的升级是内置了向量指令扩展（用于加速神经网络推理）以及更大的片上 SRAM（最高 512KB），并原生支持 USB OTG。对于语音类项目而言，更充足的内存意味着可以在本地运行轻量级的唤醒词检测模型，而无需将所有音频数据传至云端处理。乐鑫官方也围绕 ESP32-S3 推出了 ESP-SR 语音识别框架，包含唤醒词引擎 ESP-WakeNet 和命令词识别引擎 ESP-MultiNet，这正是此类 DIY 语音助手项目的常见软件起点。Pamk 的作者选择自行训练唤醒词模型而非直接使用现成框架，意味着他在定制化和灵活性上付出了更高的工程代价。

音频链路

声音输入由 INMP441 I2S 数字麦克风负责，输出则通过 MAX98357 I2S 功放驱动扬声器。这套 I2S 麦克风加功放的组合是嵌入式语音项目的经典搭配，兼顾了音质与成本。

语音理解与合成

在「听懂」这一环，作者接入了 Google Gemini 来做自然语言理解，把用户的口语指令解析成结构化的任务和日程。而机器人回应的声音，则是作者亲自录制的语音片段拼接而成——这种做法虽然不如 TTS 灵活，却赋予了 Pamk 独特的人格化质感。

特别值得关注的是唤醒词部分：作者没有使用现成方案，而是用自己录制的数千条音频训练了专属唤醒词模型。这是整个项目中技术门槛最高的一环，也解释了为什么 Pamk 能做到无 App 的本地唤醒体验。

唤醒词训练本质上是一个关键词检测（Keyword Spotting, KWS）的二分类问题：模型需要从连续音频流中实时判断目标词是否出现，同时对误触发（False Positive）和漏触发（False Negative）保持极低容忍。训练数据需要覆盖不同距离、不同噪声环境、不同说话人的发音变体，这也是为何作者需要录制数千条样本。常见的轻量级 KWS 模型架构包括 DS-CNN（深度可分离卷积网络）和基于 LSTM 的变体，推理时通常在 MFCC（梅尔频率倒谱系数）特征上运行，整个模型可以被压缩到数十 KB 以内，适合在 MCU 上本地部署。自训练模型的优势在于唤醒词完全私有化，且推理完全离线，不依赖任何云端服务，这与后续 Gemini 联网理解形成了有趣的「本地唤醒 + 云端理解」分层架构。

结构设计

外壳完全由 3D 打印完成，磁吸式可换面板的设计既方便又增加了可玩性。作者还透露 V2 版本正在设计定制 PCB，意味着这个项目正从原型走向更成熟的产品形态。

从个人项目到开源计划

作者在 MakerWorld 上分享自己的 3D 模型作品（目前是一些万圣节小摆件），并计划在积累足够关注度后开放 Pamk 的众筹与制作资料。按照他的说法，MakerWorld 只向有一定受众基础的创作者开放众筹，因此他希望先建立社区，再让更多人能够自己动手复刻这台机器人。

这种「先开源传播、再逐步产品化」的路径，是当下独立硬件创作者常见的成长方式。对于想入门语音交互嵌入式项目的开发者来说，Pamk 提供了一个相当完整的参考样本：从麦克风采集、唤醒词训练、云端 LLM 理解到个性化语音输出，几乎覆盖了一个端到端语音助手的全部关键模块。

一点观察

Pamk 最打动人的地方，并不是堆砌了多先进的硬件，而是它把「替代便利贴」这个朴素需求打磨到了可用的程度。自定义唤醒词、自录语音、磁吸换脸这些细节，都指向同一个方向——让一台 DIY 机器人真正融入日常使用，而不是停留在演示阶段。

当然，接入 Gemini 意味着语音理解需要联网，隐私与离线可用性是这类项目后续需要权衡的点。但作为一个学生的个人作品，Pamk 在工程完整度和产品思维上的表现，已经远超许多同类创客项目。期待它开源后能看到更多社区变体。

项目演示视频（法语，含英文字幕）：https://youtu.be/_wxieeF5Wrw