DIY语音控制汽水机：从抽象语言到可执行配方

做这台机器之前我自己也没想到会从一个玩笑变成一个能摆在吧台上出杯的完整设备。标题里那句“用语言调制50万种抽象口味”听起来很像营销话术但真把这台东西从图纸变成实物我花了整整8个月。如果你也玩过单片机、搞过DIY或者对AI应用落地有兴趣这台“中配”汽水机的完整思路、硬件选型和各种踩坑记录应该能给你不少参考。它不堆料、不炫技核心解决一个问题怎么把一句“我要一杯下过雨的草地味”变成一杯真的能喝、还不难喝的汽水。1. 项目概述一台会“听懂话”的汽水机是怎么立项的1.1 从一句玩笑到正式立项起因特别俗。2024年底朋友来家里聚餐我临时用浓缩柠檬汁和苏打水兑饮料朋友随口说“这要是能用嘴喊出来就好了”。正常人笑一下就算完我回家却认真想了很久现在语音识别、大模型、嵌入式控制器都成熟到离谱为什么不做一台“你说口味它出饮料”的机器立项前我给自己定了三个硬性标准第一不能用手机App当唯一入口必须有语音交互原生的体验第二“口味”不能是预设的20种按钮而是真的能识别抽象描述生成配方第三成本控制在普通DIY爱好者能接受的范围也就是标题里说的“中配”。这个“中配”不是指CPU而是指整台机器的硬件配置不算人工物料成本四千以内主控用国产开发板语音链路本地跑不上昂贵工控机。1.2 这台机器到底是什么说白了它就是一个“语音驱动的自动调饮设备”。整机分三块出液系统、气泡系统、AI决策系统。出液系统里装着若干瓶食品级浓缩风味液通过蠕动泵精确注入杯底气泡系统负责提供碳酸水基底AI决策系统接收用户说出的自然语言比如“带点烟熏感的橘皮味”“图书馆旧书的干燥感觉”然后把它变成一组可执行的配方参数——加什么、加多少毫升、气泡多强、要不要额外点缀。这里说的“50万种抽象口味”不是真准备了50万瓶原料而是配方参数空间足够大。用一个简单的数学视角看我设计了20种基础风味液可以单用也可以两种混合酸甜苦咸鲜五个口感维度各分5档气泡强度分4档温度模拟3档再加上可选的点缀风味。组合起来大约是几万到几十万的量级经过配方引擎过滤掉明显难喝的组合后仍然能覆盖很宽的口味空间。1.3 什么人适合看这篇这项目跨度不小如果你是纯软件背景可以重点看第3、4章理解硬件和AI怎么握手如果你是硬件玩家第4章讲的语言到配方的映射思路可能是你以前没接触过的东西。即便你完全不打算复刻光是“抽象描述到具体出液参数”这条链路也值得琢磨——它几乎是所有AI硬件产品的核心难点。2. 整体思路与核心方案选型2.1 为什么选“中配”而不上顶配立项时我也纠结过要不要上树莓派5加摄像头搞一套“全自动识别杯子、自适应学习口味偏好”的顶配方案后来想通了做这种个人项目最怕的不是功能少而是系统复杂度爆炸导致永远走不到调试完成那天。所谓“中配”就是把每个环节都压到一个“够用且皮实”的平衡点。顶配的坑在于每个子模块都要花时间去优化而其中大部分优化对最终出杯口感没有任何贡献。语音识别再聪明也没法弥补泵不准摄像头再先进也解决不了管路清洗问题。我最后砍掉了所有“为了智能而智能”的功能保留了“语音进、配方出、汽水落杯”这条最小闭环。这句话也想送给所有做DIY的朋友个人项目的第一优先级是能完整跑通而不是参数堆到纸面上好看。2.2 硬件主控选型ESP32-S3还是树莓派4B这是第一个让我犹豫了两周的决定。成品里两种方案都能见树莓派像个小电脑跑Python、跑模型、接摄像头都方便缺点是需要外设、需要风扇散热、启动慢而且系统越复杂越容易崩ESP32-S3是单片机启动秒开、稳定、便宜但内存有限跑不了大模型。我最后用了双主控架构ESP32-S3负责所有实时控制——泵、阀、传感器、出液流程树莓派4B2G版本只做一件事跑语音识别和配方引擎把结果通过串口发给ESP32。这个架构等于把“实时性任务”和“智能性任务”解耦各自崩溃都不会影响对方。实际测试下来哪怕树莓派后台识别卡了5秒ESP32这边依然能安全地把上一杯配方执行完。2.3 50万种口味的数学组合空间怎么算出来的“50万”这个数字我在设计初期就较真地算过不是拍脑袋。基础风味我做了20种成品浓缩液分为三类果味10种柠檬、橙、莓果、桃、苹果、芒果、西柚、荔枝、菠萝、百香果草本类5种薄荷、罗勒、迷迭香、紫苏、芫荽香料类5种肉桂、姜、花椒、烟熏、焦糖。配方允许选1种主风味或者按比例选2种混合那主风味组合就是20加上C(20,2)即190共210种。接下来是口感参数甜度5档、酸度5档、苦度3档、咸度3档、鲜度3档相乘是675。再叠加气泡强度4档、出品温度模拟3档通过加冰水、常温苏打水、微温水三种基底实现又是12倍。210 × 675 × 12 170万。但这里很多组合是“数学上存在、味觉上灾难”比如八角加大量芒果。所以配方引擎里加了口味合理性过滤器过滤后大概是50万上下。这个数字就是这么来的不是吹出来的是用乘法算出来的。2.4 软件链路四层设计整机的软件从麦克风到出杯分成四层语音识别层、意图解析层、配方生成层、运动控制层。语音识别层麦克风阵列拾音本地跑语音转文字模型输出纯文本。意图解析层把文本里的口味关键词、情绪词、场景词抽出来结构化。配方生成层根据结构化参数计算各种浓缩液、基底、气泡量的具体毫升数。运动控制层ESP32执行泵的启停、时间控制、气阀开关。四层之间用JSON格式传递数据。语音层吐出的是一条文本意图层吐出的是一个包含风味、口感、质地的对象配方层吐出的是“加3.2ml柠檬浓缩液、2.1ml薄荷糖浆、120ml苏打水”这样的数组控制层只管执行。这样每一层都能单独测试出了问题也方便定位。我强烈建议任何做类似项目的人哪怕刚开始只想做个按钮控制的简易版也要先把数据接口定义好。没有清晰的接口后期加AI能力时你会想砸机器。3. 硬件架构与机械组装实录3.1 配料系统的核心蠕动泵选型和精度校正这台机器最关键的机械部件是蠕动泵。它通过滚轮挤压硅胶管来输送液体最大的好处是液体只在管内流动不接触泵体非常符合食品卫生要求。我用的是直流减速蠕动泵额定电压12V最大流量约每分钟240ml单只价格大概45元。总计4个泵3个装风味浓缩液1个装可选点缀液比如海盐溶液或青柠汁。泵的精度是第一步要解决的问题。蠕动泵本质上靠“挤”液体流量会受管径、液体粘度、温度影响实测同一只泵在同一种液体上前10秒和后面30秒的瞬时流量会差15%。解决方案不是换高精度泵而是做流量标定每次更换浓缩液瓶后我让泵以固定功率空打30秒用量筒接水记录实际出液量反推出“每毫升对应多少毫秒的泵运行时间”。这个标定结果存进ESP32的NVS存储器每次换瓶都会覆盖更新。实际用下来单次出液精度能做到±1.5ml对汽水来说完全够了——别说汽水手冲咖啡这种讲究的误差2ml也没人喝得出来。3.2 气路与碳酸化气泡水的灵魂汽水机必须有气泡这部分的方案我前后改了三版。第一版直接用市售气泡水机的手动打气罐每次要手按几下不符合“全自动”目标第二版买了一体化的电动碳酸化罐结果发现它内部把碳酸化过程锁死在固定流程里我没法用代码控制气泡强弱。最终第三版采用的是「5L食品级CO2钢瓶 减压阀 自制碳酸化罐」方案。工作流程是电磁阀打开CO2从钢瓶经减压阀到碳酸化罐罐内预装了4°C的冰水通过摇动或曝气棒让CO2充分溶解再用另一个电磁阀把碳酸水放到杯子里。之所以必须预冷是因为温度越低CO2溶解度越高室温水打出来的气泡又大又容易消散4°C水打出来的气泡细密持久。减压阀我设定在0.35MPa这个压力下杯壁能看到细密的气泡缓慢上升口感最接近市售苏打水。整个气路的人工干预就是每半个月换一罐CO2成本大概28元。3.3 结构设计与外壳制作外壳的框架是2020铝型材稳定好固定四周面板用3mm亚克力激光切割前面板留了一个触控屏孔、一个杯托位、一个出液嘴位。内部布局遵循一个原则水路和电路物理隔离。前半部分是泵、管路、碳酸化罐后半部分是树莓派、ESP32、电源模块中间加了一块3mm亚克力隔板。一旦管路漏水不会直接淋到主板上。这个布局看着简单但我是吃过亏才确定的。第3个月做原型时我把电源模块和蠕动泵放在同一层有一次浓缩液管接口松脱液体顺着管壁流到降压模块上当场冒烟烧了一块ESP32。从那以后“水路电路隔离”成了铁律。另外大家做类似东西时一定要在所有泵的下方加一个接水盘漏液至少有一个集中的去处别让液体流得到处都是。3.4 食品安全食品级材料与清洗设计做饮用设备“能不能吃”是底线。所有跟液体接触的部件包括浓缩液瓶、硅胶管、蠕动泵管、碳酸化罐、出液嘴全部是食品级材质。硅胶管我用的是铂金硫化食品级硅胶管虽然比普通管贵一倍但不会释放异味长时间泡在浓缩液里也不发黄。清洗是更现实的问题。浓缩液含糖特别容易滋生细菌所以我设计了自动清洗流程每次出杯后系统自动用一个清水泵泵送50ml纯净水通过三通阀冲洗整个出液管路然后吹气0.5秒把残留水排掉。每周末还会手动执行一次深度清洗把管路接到专用的柠檬酸清洗液里循环10分钟再用清水循环15分钟。这套流程执行下来用了半年多管路里没有发现任何滑腻感或霉斑。4. AI语音识别与抽象口味引擎4.1 语音识别方案怎么落地开头说“用语言调制”落到工程上就是语音识别加意图理解。我试过两种方案完全离线用ESP32-S3自带的ESP-SR做唤醒词加固定命令以及树莓派上跑一个轻量ASR模型。最后选定的是混合模式ESP32-S3只负责“唤醒词”——听到“汽水机”三个字才激活主系统避免日常对话误触发激活后麦克风阵列采集3秒音频树莓派调用FunASR做语音转文字。选择FunASR是因为它对中文口语的鲁棒性很好哪怕是“我要一杯类似下雨天那种潮潮的味道”这样黏糊的长句也能准确转成文字。模型我用的是普通话识别base版在树莓派4B上识别一段3秒音频大概需要1.2秒虽然不算快但整个对话流程本来就是“说完等待出杯”1秒延迟完全可以接受。识别结果会同时打印在触控屏上用户确认无误后再进入配方引擎。这个“确认”环节是我后来加的早期直接出杯时识别错了就只能倒掉重来。4.2 抽象语言到底怎么映射成配方这是整个项目最有意思的部分也是“抽象口味”的核心。传统做法是预设关键词表比如“草莓”对应草莓浓缩液“薄荷”对应薄荷浓缩液但是遇到“旧书的干燥感”这种完全没有食材词的金句关键词表就废了。我的做法分两步走。第一步建一个“风味感知词库”。把大量形容词、名词、场景词人工标注到12个基础味觉维度上。举个例子“雨后”这个词我标注为清新8分、甜度2分、酸度3分、泥土感归到特殊香料类6分“旧书”标注为木质归到烟熏/焦糖类7分、干燥感苦度5分、酸度1分。这个标注过程很费功夫但它是整个配方引擎的地基我前后整理了两周包含了大约300个词。第二步用本地部署的Qwen2-1.5B模型做补全。用户说出一句话后ASR出的文本会先做一次关键词匹配和向量匹配如果置信度低就交给大模型让它把这句话拆解成“核心风味、甜酸比例、气泡强度、温度感受、可选点缀”五个字段以JSON格式输出。比如输入“想喝一杯凌晨三点便利店的感觉”模型可能输出base_flavor柠檬焦糖sweet3sour4fizzy4temperature冷notes微咸。这五个字段再交给配方生成层就能得到具体毫升数。4.3 配方向量化的具体实现为了让“匹配”不只能做关键词我的词库其实是向量化的。每个风味维度我定义好之后任何一个词都被表示成一个12维向量比如“薄荷”清新9、甜1、酸2、凉感8其余为0“花椒”麻感我用苦度4特殊香料8表示、温暖6、刺激6。用户句子的向量是所有关键词向量的加权平均然后拿这个平均向量与已知配方库里的所有配方向量做余弦相似度计算取相似度最高的几个配方再按相似度做线性插值。为什么要做线性插值假设用户说“70%的薄荷加上30%的青柠”配方引擎找到这两个配方的向量按0.7/0.3比例合成一个新的中间向量反算出各风味液毫升数。这样能让“50万种”真实存在而不是每次都是模板里那几个固定配方。不过我必须说明线性插值不是所有组合都好喝所以我给每个配方都标了一个“安全度”分数低于安全阈值的组合会自动往最近的已知好评配方靠拢。4.4 遇到“听不懂”的抽象表达怎么办即使有大模型兜底我也遇到过几次完全没法解析的输入比如“我要喝会唱歌的云”。如果系统硬要生成配方大概率出黑暗饮料。这里我设计了一个“渐进式兜底策略”第一层尝试向量匹配第二层向量匹配失败就调用大模型解析第三层大模型给出的字段置信度太低就触发表情提示触控屏让用户换一种描述同时给出三个可选的近似提案——“会唱歌的云要不要试试棉花糖苏打加一点薄荷清新感”这个兜底太重要了。一方面避免做出难喝的东西毁掉用户信心另一方面也顺势把交互变成了对话而不是死板的命令。第一次测试时朋友说“来一杯夏夜”系统提示“夏夜——是否尝试薄荷青柠苏打加冰”朋友点头出杯后他说“还真有那么点夏天的感觉”。这大概就是抽象口味的意义不是复刻具体的味道而是唤起一种联想。5. 8个月实操进度与成本盘点5.1 按月的开发时间线整个开发周期是8个月如果纯粹按分解任务来看真正有效工作时间应该不到150个工作日剩下大量时间花在采购等待、方案推翻重来和“思考人生”上。我把过程写成时间线给大家一个心理预期第1个月需求定义跑通“语音到文本”的最小验证。用现成麦克风和笔记本跑ASR确定识别链路靠谱这步如果走不通后面全白搭。第2个月硬件选型、采购开始搭电路原型。用面包板接第一个蠕动泵写最简单的“通电转3秒停”。第3个月搭建完整水路系统和第一版结构框架完成了第一次整机手动出杯——虽然丑到不忍直视。第4个月烧掉一块ESP32后大改布局加入接水盘和干湿分离隔板稳定性和安全性大幅提升。第5个月泵标定、流量闭环、气泡系统联调解决了气泡水喷涌的问题。第6个月开始做风味词库和大模型解析把语言映射链路跑通。第7个月整机联调、语音全链路测试开始请朋友来盲喝收集反馈。第8个月外观打磨、优化交互细节、写维护文档。做完后摆在家里吧台正式服役。这个节奏比我自己预期的慢主要因为机械精度问题反复返工。如果只做静态展示用的原型4个月足够了但要做到“每天都能稳定出杯”的日用设备多花的时间非常值得。5.2 精度校准与口感测试方法泵校准和气泡压力调好了口味才是汽水机的灵魂。我的测试方法是“对照杯法”同一配方打两杯一杯机器出一杯人工用量筒和注射器严格按照配方手调让3个朋友盲喝区分哪杯是机器做的。这个测试能发现很多微妙问题——比如泵的时序导致液体混合顺序不同某些风味会突出或变淡。最后我总结出口感的三个关键规律第一酸味和甜味不能同时使劲甜酸比超过1.2:1时整个口味会变得浑浊这是味觉上的“掩蔽效应”第二涩感主要是单宁类浓缩液加多了用量必须精确到0.5ml以内第三气泡强度必须最后调整因为CO2会改变舌头的感知让酸度更锋利、甜度更低。所以配方引擎里加了一个“倒入气泡后再补一笔糖浆”的可选步骤实际测试中这个细节让很多配方的接受度提高了不止一个档次。5.3 硬件成本清单详细成本我整理了一张表方便想复刻的朋友做预算。所有价格都是2024年我在国内平台实际购入价不同店铺会有波动。项目型号/规格数量单价元备注主控板ESP32-S3-DevKitC155负责泵控与气控上位机树莓派4B 2GB1320跑ASR和大模型麦克风阵列ReSpeaker 2-Mic175USB接口免驱蠕动泵12V直流微型泵445×43个风味1个点缀电磁阀12V常闭气嘴用218×2控制CO2进气与放气碳酸化罐304不锈钢1.5L175自制配曝气棒CO2钢瓶5L食品级含气1200满气可换减压阀单级可调1650-1MPa可调硅胶管食品级4×6mm8米4/米含备品流量计霍尔式液体流量计125复核泵精度触摸屏3.5寸SPI屏145显示状态和确认电源12V/5A适配器135给泵和阀供电电源5V/3A适配器118给树莓派供电铝型材亚克力2020型材3mm板1套180外壳和框架其他接头、三通、扎带、PCB若干120杂项总计约1597不含工具和样品原料风味浓缩液和糖浆的样品成本另算我前前后后买了不下30种花了500多最后稳定下来20种作为常驻配方其余仍在测试。整体来看“中配”的物料成本确实很亲民一桌朋友来玩时这1600块钱换来的快乐值回票价。6. 常见问题与排查技巧实录6.1 问题速查表把使用中和测试中遇到最多的问题整理成一张表方便你第一次开机时快速对号入座。现象可能原因排查方法出液量明显变少泵管老化、被压扁或浓缩液粘稠停机后手动捏一下泵管看是否变软塌陷每月更换一次硅胶管气泡水喷涌碳酸化罐压力过高或水温过高检查减压阀设定值是否在0.3-0.4MPa确认预冷后温度低于6°C语音识别不到唤醒词没触发或麦克风阵列被外壳遮挡看触控屏是否进入唤醒状态扬声器播放唤醒反馈音辅助判断口味“串味”清洗不彻底残液在管路内混合执行一遍手动深度清洗重点检查三通阀和出液嘴大模型返回字段乱码本地模型内存不足被切断查看树莓派swap是否耗尽降低并发确保只有一条识别任务在跑第一次出杯有塑料味新硅胶管未充分冲洗新管安装前用热水浸泡并循环冲洗30分钟6.2 三个我踩得最深的坑第一个坑是“流量计闭环做了但没完全做”。早期我发现蠕动泵流量不稳定就买了霍尔流量计理论上应该能测量实际流量然后实时调整泵速。结果实测发现这种便宜的霍尔流量计在低流速时分辨力差得离谱每秒只有一两个脉冲计算出的流量波动很大。最后我放弃实时闭环改用“定期标定开环控制”精度反而更稳。设备越简单越皮实在低精度传感器上套复杂的算法只会把噪声放大。第二个坑是“神经网络的输出不能直接信”。有一次大模型把“微辣”解析成了sour5配方引擎出了杯酸度爆炸的饮料。刚开始我觉得是模型问题后来想到深层问题意图解析层需要一个“字段合理性校验器”比如sour的范围是1-5、temperature只能是冷/常温/温、base_flavor必须在风味库中。校验不过就触发兜底询问。这一步之后再没出现过“辣味变酸味”的离谱情况。第三个坑是物理层面的气路爆炸。有一阵子每次气泡罐泄压都会发出很响的“噗”声我以为是正常排气。后来拆开发现泄压阀弹簧已经疲劳压力到0.5MPa才开启差点超压。从那以后我养成了一个习惯每周用压力表测一次罐内静态压力并且备用泄压阀必须采用不锈钢弹簧别用铜的时间久了弹性衰减明显。6.3 日常维护与清洗流程这台机器要长时间稳定服役维护比制作更重要。我现在的日常流程很简单每天关机前自动执行一次60mL清水冲洗管路然后吹气排空每周末手动把管路接到柠檬酸清洗液中循环10分钟再用清水循环15分钟清洗液是食品级能溶解管路内的糖垢每月更换一次蠕动泵段硅胶管因为那一小段管子长期被滚轮挤压弹性衰减最快每月检查CO2钢瓶余量称重法低于满量程20%就换。还有一个特别容易忽略的点浓缩液瓶口的密封圈也要定期检查。它在频繁开关过程中容易变形密封不严会导致风味液挥发、结晶堵住泵的入口。有一次“桃味”出液越来越慢就是因为密封圈坏了浓缩液在瓶口结了一层糖晶。换了个密封圈问题立刻解决。维护这东西你不主动找小问题小问题就会在某次聚会时变成大事。做完这台汽水机我个人最大的收获不是那个“50万种口味”的数字而是“把抽象描述变成可执行参数”这件事本身。你在纸上画一堆流程图时觉得每一步都合理但真到用户说“我想要一个没有月亮的夜晚的味道”而机器真的出了一杯微苦带气泡、有烟熏尾韵的饮料时你才会意识到所谓的AI产品其实就是把一个很模糊的愿望翻译成一组极其具体的物理动作。这8个月里我反复体会到一个道理AI部分再聪明最终都要落在一滴液体、一克糖浆、一个G的CO2上。想让机器真正有用不能只研究模型还得把手弄脏去拧螺丝、调阀门、洗管路。这台汽水机没有多先进的技术但它是一个完整的、能每天陪你喝一杯的系统。后续我打算再给它加一个“口味日志”记录每个人喝过什么评价如何然后反向微调配方参数——让机器越用越懂你这大概就是下一个8个月的事了。