可视门铃TTS播报功能实现：ESP32+语音芯片联动方案

做可视门铃的工程师大概率都碰到过这个需求：有人按铃，设备要实时播报"门口有人"或者"欢迎光临XX公司"。早几年大家的做法是预录几段MP3存进Flash，需要时拉UART发个播放指令——问题是一旦要改播报内容，得重新烧录，量产之后几乎没法改。TTS（文本转语音）芯片就是来解决这个问题的：主控把中文文本直接发给芯片，它实时合成音频输出，不用存任何语音文件。

下面把ESP32和WT3000T系列TTS芯片的联动方案从硬件接线、通信协议、驱动代码到量产注意事项拆开讲一遍。

一、为什么需要TTS——而不是多存几段MP3

先说结论：TTS方案在内容灵活性和量产维护成本上完胜预录语音，但在音质自然度和响应延迟上要接受一定的妥协。做方案选型之前，这两者的权衡要先想清楚。

预录MP3方案的实际痛点

预录方案的工作流程是：用PC端软件录制或生成"欢迎光临""请稍等"等提示音→存为MP3/WAV文件→通过USB或串口烧录进芯片外挂的SPI Flash或TF卡→主控通过UART指令指定编号播放。这个流程在内容固定的场景下没有问题，比如家用门铃只需要播"叮咚，有人按铃"。但一旦涉及下面几种情况，维护成本会急剧上升：

多语言版本：产品要卖到不同地区，需要英文、西班牙文、阿拉伯文播报。预录方案要存N套语音文件，Flash空间吃紧，BOM成本直接上升。

公司/酒店名称定制：商用门铃需要播报"欢迎光临XX酒店"，每个客户的名称不同。预录方案要么每单都重新烧录（量产噩梦），要么让客户自己通过PC工具烧录（售后灾难）。

动态信息播报：需要播报"快递已放在门口，取件码是XXXX"。预录方案做不到，因为取件码是实时生成的。

TTS方案的核心优势就在这里：上面三种场景，主控只需要通过UART发送一段GB2312编码的中文文本给TTS芯片，芯片实时合成音频输出，内容完全由主控决定，不需要预先存储任何音频文件。

TTS芯片选型的实际考量

市面上能做TTS的芯片/模块分两大类：一类是云端TTS（把文本发给云服务，返回合成好的音频），另一类是离线TTS（芯片本地完成合成）。可视门铃这个场景，必须选离线TTS，原因有三个：

响应延迟：云端TTS需要联网→请求→等待返回，延迟通常在500ms~2s之间。门铃按铃后等2秒才听到播报，用户体验很差。离线TTS芯片通常在50~200ms内开始输出音频。

网络连接依赖：可视门铃的语音播报是核心安防功能，不能依赖Wi-Fi连接状态。断网时云端TTS完全不可用。

持续运营成本：云端TTS按调用次数或时长收费，量产产品每台设备都要产生持续费用，对成本敏感的消费电子产品不可接受。

基于以上分析，本文选用WT3000T系列作为TTS语音芯片方案来展开。选用理由是：该公司做语音芯片近30年，WT2605/WT2003等产品在门铃行业已有广泛量产案例；WT3000T系列支持离线TTS，采用UART控制，ESP32侧软件工作量很小，开发金简单；芯片待机功耗<20μA，适合电池供电的门铃产品。

二、硬件连接：ESP32与WT3000T模块的电路设计

为什么推荐用模块而不是裸芯片

WT3000TX芯片本身采用QFN32封装（4mm×4mm），需要外挂晶振、阻抗匹配电路、电源滤波，对中小团队来说，自己画芯片电路并调试到稳定状态的周期成本很高。WT3000T-M01模块把芯片、晶振、LDO、功放、阻抗匹配全部集成在PCB上，对外只露出6个接插件引脚，直接接5V电源、UART、喇叭就能工作。

建议量产初期直接用模块，等出货量稳定后再考虑裸芯片方案以压缩BOM成本。模块到芯片的迁移只需要改PCB，主控软件几乎不用动（UART协议相同）。

WT3000T-M01模块管脚定义

引脚	名称	功能说明
1	5V	电源输入，支持2.6V~5.5V宽电压。门铃产品推荐用3.3V或5V供电。
2	GND	电源地。务必与ESP32共地，否则UART通信会出现异常。
3	TX	模块UART发送端。接ESP32的UART_RX引脚。
4	RX	模块UART接收端。接ESP32的UART_TX引脚。这是发送TTS文本的主通道。
5	SPK+	PWM功放输出正极。直接接4~8Ω喇叭的一个引脚。
6	SPK-	PWM功放输出负极。接喇叭的另一个引脚。模块内置0.5W D类功放。

注意：WT3000T-M01模块的UART电平是3.3V TTL。ESP32的UART接口也是3.3V，两者可以直接相连，不需要电平转换。但如果主控用的是5V单片机，5V单片机的TX输出可能需要串联一个220Ω电阻再接到模块的RX，以防损坏模块。

ESP32与WT3000T-M01的典型接线

下面是实际项目中最常用的连接方式（以ESP32-WROOM-32为例）：

ESP32 ←→ WT3000T-M01 接线关系

ESP32 GPIO16 (UART_RX) ←→ 模块 Pin3 (TX)
ESP32 GPIO17 (UART_TX) ←→ 模块 Pin4 (RX)
ESP32 3V3 ←→ 模块 Pin1 (5V) [注：模块支持2.6~5.5V供电]
ESP32 GND ←→ 模块 Pin2 (GND)

模块 Pin5 (SPK+) ←→ 4~8Ω喇叭正极
模块 Pin6 (SPK-) ←→ 4~8Ω喇叭负极

补充说明（来自实际调试经验）：WT3000T-M01模块有一个容易被忽略但很重要的特性——Busy引脚（对应芯片的P01/Pin27）。这个引脚在TTS合成播放期间输出低电平，播放结束后恢复高电平。在门铃应用场景中，这个信号很有用：当主控连续发送多条TTS文本时，应该先查一下Busy引脚的状态（或发状态查询指令），确认上一条播完了再发下一条，否则新的合成指令会中断当前正在进行的合成。

电源和接地的实操建议

门铃产品的电源环境通常比较恶劣（尤其是接了老旧门铃线路的场景，或者电池供电场景下的电源纹波），以下几点是实际项目中总结出来的：

电源滤波：模块的VCC（Pin1）到GND之间，建议在PCB上放置一个10μF电解电容并联0.1μF陶瓷电容。若用独立LDO给模块供电，LDO输入端也要加滤波电容。实际测试发现，电源纹波过大时，TTS合成的音质会明显下降。

共地：ESP32和WT3000T模块必须共地。如果两者由不同的电源供电，务必把两个电源的地连在一起，否则UART通信会出现乱码或者完全无法通信。

喇叭走线：SPK+和SPK-走线要远离UART信号线（TX/RX），否则功放输出的开关噪声可能耦合到UART信号上，导致通信误码。实际项目中遇到过SPK线紧贴UART走线导致偶发乱码的问题，把两根线拉开3cm以上就解决了。

三、UART通信协议详解

WT3000TX系列的UART默认参数：波特率9600（可修改，但默认是9600）、8位数据位、无奇偶校验、1位停止位、3.3V TTL电平。这个参数组合在ESP32的UART驱动中是最基础的配置，几乎不用调试就能通。

协议帧格式——与旧款MP3芯片的区别

WT3000TX的UART协议帧和唯创的旧款MP3播放芯片（如WT2003系列）的帧格式不完全兼容。最大的区别是WT3000TX引入了帧长度（2字节）、流水号（1字节）和数据帧来源（1字节）这几个字段。直接把WT2003的驱动代码拿来用在WT3000T上是行不通的，需要重新写发送函数。

WT3000TX UART 协议帧格式（发送方向：主控→TTS芯片）

起始码 7E // 1字节，固定为0x7E
帧长度 XXXX // 2字节，高位在前
流水号 NN // 1字节，每发一帧自动+1
应答标志 00 // 1字节，固定填0x00
数据来源 02/03 // 0x02=来自芯片端，0x03=来自MCU端
N个命令 [cmd+len+data] // 每个命令：2字节命令码 + 1字节数据长度 + N字节数据
校验和 SS // 1字节，低字节累加和
结束码 EF // 1字节，固定为0xEF

关于累加和校验的计算——这是实际项目中最容易出Bug的地方：校验和的计算方法是，把"帧长度（2字节）+流水号（1字节）+应答标志（1字节）+数据帧来源（1字节）+所有命令信息（N字节）"的每一个字节相加，取结果的低8位（即与0xFF做按位与）。注意帧长度本身是2个字节，这2个字节都要参与校验和计算。

TTS合成命令的构造方法

TTS合成是最核心的功能：主控发送一段中文文本（GB2312编码），芯片收到后实时合成音频并从DAC（或PWM功放）输出。WT3000T8版本（A版）支持中文和英文字母合成，WT3000T3版本（D版）支持中英文混读合成。两个版本每次合成的文本量最多支持2048字节（约1000个汉字）。如果文本超过这个长度，需要分多次发送。

// 发送TTS文本的完整UART帧示例（框架示意，具体命令码以官方指令表为准）
void send_tts_text(char* text, int text_len) {
uint8_t frame[2048];
int idx = 0;
frame[idx++] = 0x7E; // 1. 起始码
frame[idx++] = 0x00; // 2. 帧长度高位（先占位）
frame[idx++] = 0x00; // 帧长度低位（待计算）
frame[idx++] = seq_num++; // 3. 流水号
frame[idx++] = 0x00; // 4. 应答标志
frame[idx++] = 0x03; // 5. 数据来源：MCU→芯片
frame[idx++] = 0x01; // 6. 命令码高字节（示例）
frame[idx++] = 0x03; // 命令码低字节（示例）
frame[idx++] = text_len; // 数据长度
for (int i = 0; i < text_len; i++) // 7. 文本内容（GB2312编码）
frame[idx++] = text[i];
int frame_len = idx - 3; // 8. 回填帧长度
frame[1] = (frame_len >> 8) & 0xFF;
frame[2] = frame_len & 0xFF;
uint8_t checksum = 0; // 9. 校验和
for (int i = 1; i < idx; i++) checksum += frame[i];
frame[idx++] = checksum & 0xFF;
frame[idx++] = 0xEF; // 10. 结束码
uart_write_bytes(UART_NUM, frame, idx); // 11. 发送
}

提醒：以上是框架示意代码，WT3000TX的具体命令码以官方《WT3000Tx语音合成指令表》为准。在写驱动之前，务必向唯创的技术人员索要最新的指令表文档。文本编码方式（GB2312还是UTF-8）也需要确认。

简单调用 vs 标准调用——什么时候需要查Busy状态

WT3000TX支持两种调用方式，选择哪种取决于你的应用场景：

简单调用：主控只管发文本，不管芯片有没有在忙。适用于单条播报的场景（比如按铃后播报一次访客信息）。局限：如果前一条文本还没合成完就发下一条，前一条会被中断。

标准调用：每次发文本之前，先确认芯片处于空闲状态（通过查Busy引脚电平，或发状态查询命令）。适用于多条连续播报的场景。比如商用门铃需要依次播报"欢迎光临"+"请到前台登记"两条信息。

查Busy状态有两种方法：硬件方式（读芯片的Busy引脚电平，低电平=忙/正在合成，高电平=空闲）和软件方式（发状态查询命令帧，芯片回传当前状态字）。硬件方式更实时，软件方式更灵活。

四、ESP32端驱动代码实现

下面给的代码是基于ESP-IDF（ESP32官方开发框架）的C语言实现。如果你用的是Arduino-ESP32环境，代码逻辑完全相同，只是UART操作函数名不同（Arduino用Serial2.write()之类）。

UART初始化

// ESP32 UART初始化（UART_NUM_1，GPIO16=RX, GPIO17=TX）
#include "driver/uart.h"
#define UART_NUM UART_NUM_1
#define TX_PIN 17
#define RX_PIN 16
#define BAUD_RATE 9600
#define BUF_SIZE 2048

void tts_uart_init(void) {
uart_config_t uart_config = {
.baud_rate = BAUD_RATE,
.data_bits = UART_DATA_8_BITS,
.parity = UART_PARITY_DISABLE,
.stop_bits = UART_STOP_BITS_1,
.flow_ctrl = UART_HW_FLOWCTRL_DISABLE,
};
uart_driver_install(UART_NUM, BUF_SIZE, 0, 0, NULL, 0);
uart_param_config(UART_NUM, &uart_config);
uart_set_pin(UART_NUM, TX_PIN, RX_PIN,
UART_PIN_NO_CHANGE, UART_PIN_NO_CHANGE);
}

完整TTS发送函数（含校验和计算）

// 可直接复制到项目中使用的TTS发送函数
#define TTS_FRAME_START 0x7E
#define TTS_FRAME_END 0xEF
static uint8_t tts_seq = 0; // 流水号

void tts_send_text(const char *text, int len) {
uint8_t frame[512];
int pos = 0;
frame[pos++] = 0x7E; // 起始码
frame[pos++] = 0x00; // 帧长度高（待回填）
frame[pos++] = 0x00; // 帧长度低（待回填）
frame[pos++] = tts_seq++; // 流水号
frame[pos++] = 0x00; // 应答标志
frame[pos++] = 0x03; // 数据来源：MCU→芯片
frame[pos++] = 0x01; // 命令码字节1（示例）
frame[pos++] = 0x03; // 命令码字节2（示例）
frame[pos++] = len; // 文本数据长度
for (int i = 0; i < len; i++)
frame[pos++] = text[i]; // GB2312文本
int flen = pos - 3; // 回填帧长度
frame[1] = (flen >> 8) & 0xFF;
frame[2] = flen & 0xFF;
uint8_t cs = 0; // 校验和
for (int i = 1; i < pos; i++) cs += frame[i];
frame[pos++] = cs & 0xFF;
frame[pos++] = 0xEF; // 结束码
uart_write_bytes(UART_NUM, frame, pos);
}

门铃按铃触发TTS播报的完整流程

实际门铃项目的触发逻辑通常这样：ESP32通过GPIO检测到按铃事件（硬件中断或轮询）→ 通过Wi-Fi或4G网络获取访客信息（如"快递员"或"张先生"）→ 组装播报文本 → 调用tts_send_text()发送 → 等待播报完成（查Busy引脚）→ 进入低功耗待机。

// 门铃按键中断回调函数（伪代码流程）
void doorbell_handler(void) {
// 1. 防抖处理
// 2. 组装播报文本
char *msg = "叮咚，门口有人按铃";
// 3. 可选：查Busy状态
// 4. 发送TTS文本
tts_send_text(msg, strlen(msg));
// 5. 若需连续播报多条，等Busy变高后再发下一条
}

五、进阶：音量调节、固定提示音混用、低功耗设计

音量调节

WT3000TX支持31级音量调节（0~30级）。建议在初始化完成后发一条音量设置命令。门铃通常装在门口，环境噪声较大，建议设置在20~25级；若是室内使用的公司门铃，15级左右就够用了。注意：WT3000T-M01模块是DAC输出经过内置PWM功放驱动喇叭，音量调节是通过改变DAC输出幅度实现的，不是数字音量（会有一定的底噪，在安静环境下能听到）。

TTS和固定提示音混用

WT3000T8版本内置30秒固定语音空间，WT3000T3版本内置500秒。固定语音是在芯片出厂前由厂家烧录进去的（需要联系唯创商务，提供音频文件和定制需求），TTS是运行时实时合成的。实际项目中可以这样搭配使用：把"叮咚"这样的按键提示音做成固定语音（响应快、音质好），把访客姓名、动态通知等可变内容用TTS合成。两者通过不同的UART命令触发，芯片内部会自动处理播放优先级。

低功耗设计——电池供电门铃的关键

如果是电池供电的门铃（比如用CR123A或18650电池），功耗是要重点考虑的。WT3000TX芯片在深度休眠模式下功耗小于20μA，但一旦开始TTS合成，工作电流会上升到几十毫安（具体数值与音量、是否驱动喇叭有关）。

休眠策略：门铃产品大部分时间处于待机状态（没有按铃事件）。此时ESP32可以进入轻睡眠，WT3000T芯片也进入休眠。按铃事件通过GPIO中断唤醒ESP32，再由ESP32通过UART发唤醒命令唤醒TTS芯片。

唤醒命令：WT3000TX支持通过UART命令让它进入深度休眠，也支持通过UART命令唤醒（或硬件引脚唤醒）。具体命令码同样需要查官方指令表。

六、总结与BOM成本参考

WT3000T系列TTS芯片（或M01模块）在可视门铃项目中的核心价值是：用很小的软件代价实现完全灵活的语音播报内容，解决了预录MP3方案在多语言、定制化、动态信息播报等场景下的维护难题。

量产初期推荐：用WT3000T-M01模块。BOM成本约XX元/片（具体价格与采购量和唯创商务确认），比自己画芯片电路的时间成本划算得多。模块到手接线就能调试，1天内可以跑通基本功能。

大批量产推荐：用WT3000T8-32N或WT3000T3-32N裸芯片（QFN32，4mm×4mm）。需要自己画PCB电路（晶振、电源滤波、阻抗匹配），但BOM成本可以压到X元/片左右。WT3000T3版本内置500秒固定语音，对商用门铃更合适。

最后说一点：TTS合成的音质和自然度不如预录的高品质MP3。如果对播报音质有很高要求（比如高端酒店的门铃），可以考虑"预录MP3+核心提示音"和"TTS+动态内容"混合使用的方案——固定提示音用预录，动态内容用TTS，两者通过UART命令的插播功能协调，互不干扰。