編按:本文綜合整理自 GitHub moonshine-ai/moonshine、Pete Warden 官方部落格、Hackster.io 報導、Adafruit 學習指南 以及 circuit.rocks 評測,並加入 Siami 編輯部觀點與分析。
開源語音 AI 第一次完全離開雲端
Moonshine Voice 是一套開源 AI 工具組,專門給想做即時語音代理與應用的開發者使用。原本它已經能跑在桌機、樹莓派等級的硬體上,但作者 Pete Warden 在 2026 年 7 月 14 日發表的 Moonshine Micro,把目標再往下砍了兩個等級——直接跑在售價 80 美分的 Raspberry Pi RP2350 微控制器上。
整套 demo 管線只用了 520 KB RAM,但已經塞進三件事:
- 語音活動偵測(VAD):約 89 KiB flash、36 KiB SRAM、每幀約 0.8 MMAC。
- 命令辨識(SpellingCNN STT):約 1.3 MiB flash、346 KiB SRAM、36 MMAC/s。
- 神經語音合成(TTS,16 kHz):約 1.8 MiB 聲音包、340 KiB SRAM、典型 37 MMAC。
三項共用一個約 384 KiB 的 TensorFlow Lite Micro arena,不會疊加 RAM 需求——這是這次釋出最關鍵的工程細節。整個 demo 從聽到指令、辨識、到合成回應,端到端落在 0.7 到 1.0 秒,而且完全不需要連網。
為什麼這件事重要:從雲端 ASR 退化為「嵌入式耳朵」
過去十年,任何想做語音功能的硬體廠商,基本上只有兩條路:
- 接雲端 API(Whisper、Google STT、Azure Speech):延遲 300 ms 以上、要付費、有隱私爭議、斷網就失效。
- 跑大型本地模型:要 NPU、要 1GB 以上 RAM、要主動散熱——BOM 表馬上貴 5 到 10 美元。
Moonshine Micro 直接打掉第二條路的成本下限:
- 售價 0.80 美元的 RP2350 就能跑(批量更便宜),連「外加一顆 DSP」都不用。
- 整套程式碼以 MIT License 釋出,模型也可商用——對玩具業、家電業、汽車後裝市場來說,這是第一次能在 BOM 表裡放進一顆「會聽話的 1 美元晶片」。
- VAD / STT / TTS 三個函式庫完全獨立,可以單獨引用,不必整套打包。韌體工程師可以只挑 STT 來做關鍵字喚醒,把 TTS 留給主晶片。
從產品面來看,這對智慧插座、工業感測器、長者照護呼叫器、無人機地面控制站這些「原本根本沒預算加語音模組」的品類,等於是開了一道全新產線。
數據解讀:成本與效能的真實邊界
Hackster 與 circuit.rocks 的實測數字放在一起看,有三個關鍵指標值得畫線:
| 元件 | Flash | SRAM(尖峰) | 計算量 |
|---|---|---|---|
| VAD | 約 89 KiB | 約 36 KiB | 約 0.8 MMAC/幀(約 25 MMAC/s) |
| STT | 約 1.3 MiB | 約 346 KiB | 約 36 MMAC/s |
| TTS | 約 1.8 MiB 聲音包 | 約 340 KiB | 典型 37 MMAC(峰值 65 MMAC/s) |
| 總計(demo 管線) | 約 3.6 MiB | 約 468 KiB(在 520 KiB RP2350 上預留) | 分類+說話約 0.7–1.0 秒 |
但要小心兩個常見的過度解讀:
- 「小於 500KB」指的是 RAM,不是整個 firmware:整個 demo 仍要燒錄約 3.6 MiB 的 flash 來放模型權重。在極小晶片(如 2 MB flash 的 ESP32-C3)上是跑不起來的——Moonshine Micro 的甜蜜點是 RP2350、STM32H7 等約 4 MB flash、512 KB RAM 以上的 MCU。
- 「會聽 50 個指令」是出廠預設:SpellingCNN 預訓練模型認得約 50 組自訂詞彙,但
stt-training/子目錄已經示範了重新訓練流程——要擴充辭彙或改成中文,需要在裝置上或工作站上重訓一次。
從效能面對照雲端方案:OpenAI Whisper API 在良好網路下約 300–800 ms 延遲,但加上網路往返,總體延遲通常超過 1 秒。Moonshine Micro 的 0.7–1.0 秒是在斷網、80 美分硬體上達成——這對延遲敏感應用(呼叫器、緊急按鈕、玩具)是本質差距。
怎麼開始用:三條官方 demo 路徑
GitHub README 同時提供三層進入點:
- 完整端到端 demo:
examples/rp2350/README.md展示如何在 RP2350 上接 Wi-Fi、用語音控制——這是 Pete Warden 自己錄的 demo 影片。 - 獨立函式庫:VAD、STT、TTS 三個資料夾各自是獨立 C++ 函式庫,只用 TensorFlow Lite Micro 做推論,可以單獨嵌入既有專案。
- 重訓工具:
stt-training/提供把 STT 改成自訂命令集的完整流程。
Hackster 上的完整教學 把每一個燒錄步驟、接線圖、序列埠監控指令都寫成可逐步跟做的 guide,適合第一次接觸 MCU + ML 的開發者。
後續發展:TinyML 的下一個爆發點?
Moonshine Micro 不是唯一一個往「1 美元聽覺晶片」推進的專案,但它是第一個把 ASR 與 TTS 兩個完整對話迴路都擠進去的開源框架。這條路線如果繼續往下走,接下來半年值得觀察:
- RP2350 之外的移植:STM32H7、ESP32-S3(尚未原生支援)、甚至 Raspberry Pi Pico 2 的無線版本。
- 多語言支援:目前 STT 預設是英文命令集,要推中文/日文/西班牙文,得靠社群重訓——若 Useful Sensors 或 moonshine-ai 官方釋出預訓練多語言權重,採用率會跳一階。
- 與 Home Assistant / ESPHome 整合:開源智慧家庭生態系對「本地、免訂閱」的語音控制有強烈需求,Moonshine Micro 一旦整合進這些生態,出貨量會從「DIY 玩家」躍升到「一般家庭」。
從 Pete Warden 在 LinkedIn 上的發文 來看,他對「為什麼要這樣做」的回答很直接:「因為它應該要能做到。」——一個售價不到 1 美元的微控制器,能聽懂人話、能用語音回應,而且整套程式碼免費、商用友善。這對所有想過「為什麼我的小裝置一定要靠手機 App 才能設定」的人,是一個明確的技術答覆。
完整原始碼、訓練資料、重訓教學都在 github.com/moonshine-ai/moonshine,授權為 MIT License,模型權重亦為 MIT,可直接商用。
網友熱門留言 (3)