基于行空板K10的本地化智能家居语音控制终端搭建实战

1. 项目缘起从“动手”到“动口”的智能家居体验升级几年前折腾智能家居最头疼的就是交互。手机App、物理开关、传感器联动……这些方式要么需要手动操作要么依赖预设的自动化规则总感觉少了点“智能”的灵魂。后来接触到语音助手那种“动动嘴皮子”就能控制灯光、电器的体验确实让人眼前一亮。但市面上的成品方案要么是封闭生态设备接入受限要么是云端服务隐私和数据安全总让人心里打鼓。于是我开始琢磨能不能自己动手做一个既开放、又能本地化运行的语音控制中枢。直到我遇到了行空板K10这个想法才真正落地。K10集成了麦克风阵列、扬声器还有一块不错的屏幕和丰富的GPIO接口硬件上简直就是为语音交互项目量身定做的。更重要的是它运行着完整的Linux系统我们可以自由地部署各种开源语音识别和合成引擎完全掌控数据和流程。今天要分享的就是如何基于行空板K10从零开始搭建一个本地化的智能家居语音控制终端。这个项目不依赖任何商业云服务识别、理解、控制全流程都在板子上完成。我们将重点拆解语音识别的核心流程并实现一个控制台灯的实战案例。无论你是想深入了解语音技术的实现细节还是想亲手打造一个属于自己的“贾维斯”这篇教程都能给你提供一条清晰的路径。2. 行空板K10的语音硬件与本地化方案选型在开始写代码之前我们必须先搞清楚手里的“武器”到底有什么能耐以及我们为什么要选择“本地化”这条看起来更复杂的路。2.1 K10的音频子系统深度解析行空板K10在音频硬件上给了我们一个很高的起点。它板载了一个双麦克风阵列这不是简单的两个麦克风并列而是经过精心设计的。麦克风阵列的优势两个麦克风之间存在一定的物理距离通常在几厘米。这个距离使得它们接收到的声音信号在时间和强度上存在微小的差异。通过算法处理这些差异可以实现两个核心功能声源定位和噪声抑制。简单来说板子能大致判断声音来自哪个方向并且能一定程度上过滤掉非目标方向的环境噪音比如风扇声、电视声从而提升在嘈杂环境下拾取主人语音命令的清晰度。这比单麦克风方案在远场交互场景下要可靠得多。音频编解码器K10通过一颗专用的音频编解码芯片Codec连接麦克风和扬声器。这颗芯片负责将麦克风采集到的模拟声音信号转换成数字信号ADC以及将数字音频信号转换成模拟信号驱动扬声器播放DAC。在Linux系统中这套硬件通常通过ALSAAdvanced Linux Sound Architecture驱动框架来管理。对我们开发者而言这意味着我们可以使用像arecord录音和aplay播放这样的标准命令行工具或者PyAudio、sounddevice这样的Python库来直接操作音频设备非常方便。2.2 为什么坚持“本地语音识别”市面上成熟的语音方案很多比如百度的UNIT、阿里的AliGenie、科大讯飞等它们提供了完整的SDK识别准确率高开发速度快。但为什么我们还要费劲自己做本地识别呢原因主要有三点隐私与数据安全这是最核心的诉求。当你对着云端语音助手说“打开卧室灯”时这段音频数据会被上传到服务商的服务器进行识别。虽然大厂都宣称有安全措施但数据离手总归存在潜在风险。本地识别意味着你的所有语音数据从未离开过你的行空板彻底杜绝了隐私泄露的可能。网络依赖与响应速度云端识别必须依赖稳定的网络连接。网络波动或中断会导致指令无法执行体验割裂。本地识别则完全离线响应速度极快通常能在几百毫秒内完成体验更加流畅即时。定制化与可控性云端服务的识别模型和语义理解能力是通用的、固定的。而本地方案允许我们针对特定场景进行深度定制。例如我们可以专门训练一个只识别“开灯”、“关灯”、“调亮”、“调暗”等有限指令的轻量级模型这样不仅能大幅提升在这些指令上的准确率还能显著降低对硬件算力的要求。当然本地方案也有其局限性主要是识别精度和词汇量无法与海量数据训练的云端大模型相比。但对于智能家居控制这种指令相对固定、场景明确的领域本地方案的精度经过优化后完全可以满足实用需求其带来的隐私、速度和自主可控的优势是决定性的。2.3 核心工具链Vosk Snowboy RPi.GPIO基于以上考量我为这个项目选定了以下核心工具组合语音识别引擎Vosk。这是一个优秀的开源语音识别工具包支持多种语言提供多种规模的模型小到几十MB大到几个GB。它最大的优点是离线、高效并且提供了Python接口易于集成。我们将使用一个较小的中文模型在K10的算力上可以实现近乎实时的识别。唤醒词检测Snowboy或开源替代品。为了让设备随时待命但又不会误触发我们需要一个“唤醒词”检测模块。传统方案是“按下按钮说话”这不够自然。Snowboy可以实现离线、低功耗的唤醒词检测比如“小K小K”。需要注意的是Snowboy官方已停止维护但其技术思路基于DNN的唤醒词检测是通用的。我们可以使用其开源代码编译或者寻找类似的开源替代品如Porcupine但需注意许可协议。本项目将阐述其集成原理。硬件控制RPi.GPIO。行空板的GPIO兼容树莓派因此我们可以直接使用成熟的RPi.GPIO库来控制继电器、读取传感器状态从而与真实的灯具、开关等设备交互。这个组合构成了我们本地语音智能家居的核心技术栈接下来我们将一步步让它们协同工作。3. 系统环境搭建与核心库部署实战拿到一块全新的行空板K10我们需要为其部署一个适合语音处理的操作环境。这个过程虽然有些步骤但一步步走下来你会对Linux下的音频开发和Python环境管理有更深的了解。3.1 基础系统配置与音频调试首先确保你的行空板已经烧录了最新的官方镜像并通过SSH连接。我们需要先检查并配置音频设备。# 1. 更新软件源并安装基础工具 sudo apt-get update sudo apt-get upgrade -y sudo apt-get install -y python3-pip python3-dev git wget vim # 2. 查看音频设备信息 arecord -l # 列出录音设备 aplay -l # 列出播放设备正常情况下你应该能看到名为“seeed-2mic-voicecard”或类似的声卡设备。如果看不到可能需要检查驱动或加载相关内核模块行空板官方镜像通常已配置好。一个关键的音频设置为了避免录音时的回音或啸叫我们需要确保系统没有把扬声器的输出重新录入麦克风。在多数桌面Linux上这需要调配置但行空板作为嵌入式设备其麦克风阵列物理设计通常已考虑了这一点。不过我们仍可以测试一下录音功能# 录制一段5秒的音频采样率16000Hz单声道保存为test.wav arecord -D plughw:0,0 -d 5 -f S16_LE -r 16000 -c 1 test.wav # 播放刚才录制的音频 aplay test.wav如果能清晰听到自己的录音说明音频采集通路正常。这里参数-r 1600016kHz采样率是许多轻量级语音模型的常用输入规格能兼顾音质和计算效率。3.2 Vosk离线语音识别模型的部署Vosk的安装相对简单但模型下载需要一点时间。# 安装Vosk的Python库 pip3 install vosk # 下载一个适合的中文小模型约40MB wget https://alphacephei.com/vosk/models/vosk-model-small-cn-0.22.zip unzip vosk-model-small-cn-0.22.zip解压后你会得到一个vosk-model-small-cn-0.22文件夹里面就是识别模型文件。我们可以写一个简单的Python脚本来测试模型是否工作# test_vosk.py import sys import os import json from vosk import Model, KaldiRecognizer import pyaudio # 指定模型路径 model_path “vosk-model-small-cn-0.22” if not os.path.exists(model_path): print(f“模型目录 {model_path} 不存在请检查路径”) sys.exit(1) # 加载模型 model Model(model_path) rec KaldiRecognizer(model, 16000) # 采样率需与录音一致 # 使用PyAudio进行录音 p pyaudio.PyAudio() stream p.open(formatpyaudio.paInt16, channels1, rate16000, inputTrue, frames_per_buffer4096) stream.start_stream() print(“请开始说话中文...”) try: while True: data stream.read(2048, exception_on_overflowFalse) if rec.AcceptWaveform(data): # 识别出一句完整的话 result json.loads(rec.Result()) text result.get(“text”, “”) if text: print(f“识别结果: {text}”) else: # 中间结果可以实时显示 partial_result json.loads(rec.PartialResult()) partial_text partial_result.get(“partial”, “”) if partial_text: print(f“正在识别: {partial_text}”, end“\r”) except KeyboardInterrupt: print(“\n停止识别”) finally: stream.stop_stream() stream.close() p.terminate()运行这个脚本python3 test_vosk.py对着板子说几句话看看终端是否能打印出识别出的文字。首次运行可能会提示安装pyaudio使用pip3 install pyaudio安装即可。如果遇到端口占用或权限问题可能需要检查当前用户是否在audio用户组内。3.3 唤醒词检测模块的集成策略由于Snowboy的官方情况这里我提供两种实现思路思路一使用编译好的Snowboy库如果找到如果你能找到为ARM架构K10是ARM Cortex-A53编译好的Snowboy Python库文件.so文件和预训练的唤醒词模型.pmdl或.umdl文件集成是最快的。# 伪代码示例 import snowboydecoder def detected_callback(): print(“唤醒词检测到”) # 在这里启动Vosk进行语音指令识别 detector snowboydecoder.HotwordDetector(“你的模型文件.pmdl”, sensitivity0.5) detector.start(detected_callbackdetected_callback)思路二使用轻量级关键词检测作为替代对于智能家居控制我们有时可以简化流程不使用唤醒词而是让Vosk持续监听但只对特定的“关键词”做出反应。我们可以利用Vosk的实时识别特性对PartialResult进行快速匹配。# 简化版的关键词触发 import json from vosk import Model, KaldiRecognizer import pyaudio model Model(“vosk-model-small-cn-0.22”) rec KaldiRecognizer(model, 16000) # 定义触发指令的关键词列表 WAKE_WORDS [“小K”, “小空”, “行空板”] # 相当于唤醒词 COMMAND_KEYWORDS {“开灯”, “关灯”, “亮一点”, “暗一点”} p pyaudio.PyAudio() stream p.open(formatpyaudio.paInt16, channels1, rate16000, inputTrue, frames_per_buffer4096) stream.start_stream() is_awake False # 唤醒状态标志 print(“等待唤醒词或指令...”) try: while True: data stream.read(2048, exception_on_overflowFalse) if rec.AcceptWaveform(data): result_text json.loads(rec.Result()).get(“text”, “”) if result_text: print(f“完整句子: {result_text}”) # 这里可以处理完整的指令 else: partial_text json.loads(rec.PartialResult()).get(“partial”, “”) if partial_text: # 检查是否包含唤醒词 for word in WAKE_WORDS: if word in partial_text: if not is_awake: is_awake True print(f“- 已唤醒请说指令。”) # 可以在这里播放一个提示音 break # 如果已唤醒检查是否包含指令关键词 if is_awake: for cmd in COMMAND_KEYWORDS: if cmd in partial_text: print(f“- 执行指令: {cmd}”) # 调用控制函数 control_light(cmd) is_awake False # 执行后恢复休眠状态 break except KeyboardInterrupt: pass这种方法虽然不如专用唤醒词检测模块省电和精准但在常供电的智能家居中枢场景下是一个简单有效的替代方案完全在Python层实现无需额外依赖。4. 语音识别核心流程的代码级拆解现在我们把各个模块串联起来构建一个完整的、可工作的语音识别与控制流程。这个流程是项目的核心大脑。4.1 状态机设计休眠、唤醒、聆听、执行一个健壮的语音交互系统应该是一个清晰的状态机。这能让程序逻辑有条不紊避免状态混乱导致的误触发。class VoiceControlStateMachine: def __init__(self): self.state “SLEEPING” # 初始状态休眠 # SLEEPING: 等待唤醒词 # LISTENING: 已唤醒正在聆听指令 # PROCESSING: 正在处理指令 # SPEAKING: 正在语音反馈如果有 def transition_to(self, new_state): print(f“状态切换: {self.state} - {new_state}”) self.state new_state def on_wakeword_detected(self): if self.state “SLEEPING”: self.transition_to(“LISTENING”) self.play_sound(“wakeup.wav”) # 播放唤醒提示音 # 启动一个计时器例如5秒内没听到指令就自动休眠 self.start_listening_timer() def on_voice_command(self, command_text): if self.state “LISTENING”: self.transition_to(“PROCESSING”) self.cancel_listening_timer() # 解析并执行命令 success self.execute_command(command_text) # 根据执行结果给出语音反馈 feedback “指令已执行” if success else “抱歉我没听清” self.give_feedback(feedback) self.transition_to(“SLEEPING”) # 回归休眠 def on_listening_timeout(self): if self.state “LISTENING”: print(“聆听超时返回休眠”) self.play_sound(“timeout.wav”) self.transition_to(“SLEEPING”)这个状态机类定义了四个状态和它们之间的转换条件。在实际的主循环中音频事件如唤醒词检测、Vosk识别结果会触发状态机的方法驱动状态流转。这是构建复杂交互逻辑的基础框架。4.2 音频流处理与Vosk识别器的高效使用在Python中处理实时音频流需要注意性能和资源管理。我们不能在回调函数中做太重的操作否则会导致音频缓冲区溢出产生刺耳的杂音。import queue import threading from vosk import Model, KaldiRecognizer class AudioProcessor: def __init__(self, model_path): self.model Model(model_path) self.audio_queue queue.Queue() self.is_running False def audio_callback(self, in_data, frame_count, time_info, status): “”“PyAudio音频流回调函数这个函数在音频线程中运行要尽量快。”“” # 仅仅将数据放入队列 self.audio_queue.put(in_data) return (None, pyaudio.paContinue) def recognition_thread(self): “”“识别线程从队列中取数据并进行识别。”“” rec KaldiRecognizer(self.model, 16000) while self.is_running: try: # 阻塞获取音频数据最多等1秒 data self.audio_queue.get(timeout1) if rec.AcceptWaveform(data): result json.loads(rec.Result()) text result.get(“text”) if text: # 将识别结果通过线程安全的方式传递给主逻辑 self.on_result_callback(text) else: # 处理中间结果用于唤醒词检测等 partial json.loads(rec.PartialResult()).get(“partial”) self.on_partial_callback(partial) except queue.Empty: continue except Exception as e: print(f“识别线程错误: {e}”) def start(self, on_result, on_partial): self.on_result_callback on_result self.on_partial_callback on_partial self.is_running True # 启动音频流 self.stream p.open(formatpyaudio.paInt16, channels1, rate16000, inputTrue, frames_per_buffer4096, stream_callbackself.audio_callback) self.stream.start_stream() # 启动识别线程 self.thread threading.Thread(targetself.recognition_thread) self.thread.start() def stop(self): self.is_running False if self.stream.is_active(): self.stream.stop_stream() self.stream.close() self.thread.join()这里的关键是生产者-消费者模型和多线程。PyAudio的回调函数运行在一个高优先级的音频线程中它的唯一任务就是快速采集数据并放入队列。另一个独立的线程识别线程则从队列中取出数据进行相对耗时的Vosk识别计算。这样避免了识别过程阻塞音频采集保证了音频流的连续性。4.3 指令解析从自然语言到具体操作Vosk识别出来的是连续的文本比如“把客厅的灯打开”。我们需要将其解析成机器能理解的指令。这里介绍两种方法1. 关键词匹配法简单直接适用于指令集固定的场景。我们预先定义一个指令-动作的映射字典。command_map { (“开”, “灯”): “light_on”, (“关”, “灯”): “light_off”, (“亮”, “一点”): “light_brighten”, (“暗”, “一点”): “light_dim”, (“打开”, “客厅”, “灯”): “living_room_light_on”, (“关闭”, “卧室”, “灯”): “bedroom_light_off”, } def parse_command_by_keywords(text): words jieba.lcut(text) # 使用结巴分词将句子切分成词 for keyword_tuple, action in command_map.items(): # 检查指令文本中是否包含映射表中的所有关键词 if all(keyword in words for keyword in keyword_tuple): return action return None2. 规则模板法更灵活定义一些规则模板使用正则表达式进行匹配。import re command_patterns [ (r“(打开|开)(.?)的灯”, lambda m: (“turn_on”, m.group(2))), (r“(关闭|关)(.?)的灯”, lambda m: (“turn_off”, m.group(2))), (r“把(.?)的灯调(亮|暗)一点”, lambda m: (“adjust”, m.group(1), “brighten” if m.group(2)“亮” else “dim”)), ] def parse_command_by_regex(text): for pattern, action_func in command_patterns: match re.search(pattern, text) if match: return action_func(match) # 返回一个结构化的指令如 (“turn_on”, “客厅”) return None规则模板法更强大可以提取出具体的对象如“客厅”方便后续控制多个设备。在实际项目中可以结合两种方法先用关键词判断是否是有效指令再用正则提取细节。5. 硬件联动用GPIO控制真实世界识别出指令后最后一步就是通过行空板的GPIO口去控制物理设备。我们以控制一个普通的LED灯或通过继电器控制台灯为例。5.1 电路连接与安全须知重要安全提示行空板的GPIO口只能提供3.3V/5V的低电压、小电流信号。绝对不可以直接用其连接市电220V控制台灯、风扇等家用电器必须使用继电器模块作为中间隔离和驱动。所需材料行空板K10继电器模块推荐带光耦隔离的1路或2路继电器模块杜邦线母对母台灯或一个LED灯电阻做演示继电器模块的供电电源如果继电器需要5V供电可用行空板的5V引脚但注意总电流负载连接方式以控制一盏台灯为例继电器控制端VCC- 行空板5V引脚GND- 行空板GND引脚IN(信号输入) - 行空板GPIO17引脚可任选继电器负载端高压危险操作前务必断开台灯电源将台灯电源线剪断或使用改装过的插线板其中一根线断开。断开的两端分别接到继电器模块的COM公共端和NO常开端螺丝接线端子。这样当继电器吸合时NO与COM接通电路导通台灯亮继电器断开时电路断开台灯灭。5.2 Python GPIO控制代码实现使用RPi.GPIO库来控制引脚电平从而控制继电器。import RPi.GPIO as GPIO import time class LightController: def __init__(self, gpio_pin17): self.gpio_pin gpio_pin # 设置GPIO模式为BCM编号 GPIO.setmode(GPIO.BCM) # 设置该引脚为输出模式并初始化为低电平继电器常开状态灯灭 GPIO.setup(self.gpio_pin, GPIO.OUT, initialGPIO.LOW) # 继电器模块逻辑高电平触发吸合还是低电平触发吸合需要根据模块说明书调整。 # 常见的是高电平触发HIGH吸合灯亮。如果不确定可以测试一下。 self.is_on False print(f“灯光控制器初始化完成控制引脚: GPIO{self.gpio_pin}”) def turn_on(self): if not self.is_on: GPIO.output(self.gpio_pin, GPIO.HIGH) # 输出高电平继电器吸合 self.is_on True print(“[动作] 开灯”) time.sleep(0.1) # 短暂延时确保继电器动作稳定 def turn_off(self): if self.is_on: GPIO.output(self.gpio_pin, GPIO.LOW) # 输出低电平继电器断开 self.is_on False print(“[动作] 关灯”) time.sleep(0.1) def cleanup(self): “”“程序退出时清理GPIO资源非常重要”“” self.turn_off() # 确保灯是关闭状态 GPIO.cleanup(self.gpio_pin) print(“GPIO资源已清理”) # 将指令解析结果映射到控制动作 def execute_light_command(command, controller): if command “light_on” or command “turn_on”: controller.turn_on() return True elif command “light_off” or command “turn_off”: controller.turn_off() return True elif command “light_brighten”: # 如果是PWM调光LED这里可以增加亮度 print(“[动作] 亮度增加演示”) return True elif command “light_dim”: print(“[动作] 亮度降低演示”) return True else: print(f“无法识别的指令: {command}”) return False5.3 集成与主程序循环最后我们把状态机、音频处理器、指令解析器和硬件控制器整合到一个主程序中。def main(): print(“启动智能家居语音控制系统...”) # 1. 初始化各模块 state_machine VoiceControlStateMachine() audio_processor AudioProcessor(“vosk-model-small-cn-0.22”) light_controller LightController(gpio_pin17) # 2. 定义音频处理器的回调函数 def on_final_result(text): if state_machine.state “LISTENING”: print(f“识别到指令: {text}”) command parse_command_by_keywords(text) # 或使用正则解析 if command: success execute_light_command(command, light_controller) state_machine.on_voice_command(text) # 通知状态机 else: print(“指令无法解析”) state_machine.on_listening_timeout() # 当作超时处理 def on_partial_result(partial_text): # 用于唤醒词检测关键词匹配法 if “小K” in partial_text and state_machine.state “SLEEPING”: state_machine.on_wakeword_detected() # 3. 启动音频处理 audio_processor.start(on_final_result, on_partial_result) print(“系统就绪等待唤醒...”) try: # 主循环这里可以处理其他任务如屏幕显示、网络通信 while True: time.sleep(0.1) # 可以在这里检查状态机的超时计时器等 except KeyboardInterrupt: print(“\n收到停止信号正在关闭...”) finally: # 4. 清理资源 audio_processor.stop() light_controller.cleanup() print(“系统已安全退出”) if __name__ “__main__”: main()这个主程序框架将各个模块串联起来形成了一个完整的、可工作的语音控制闭环。当你运行这个程序说出“小K开灯”时程序会检测到“小K”唤醒进入聆听状态然后识别“开灯”指令最终通过GPIO控制继电器吸合点亮台灯。6. 项目优化与深度扩展思考一个能跑通的基础版本只是开始。要让这个项目真正变得实用、可靠还需要在很多细节上打磨。这里分享几个我从实际部署中总结出来的优化方向和扩展思路。6.1 提升识别准确率的实战技巧Vosz小模型的识别率在安静环境下尚可但环境嘈杂或发音不标准时容易出错。除了选用更大的模型会消耗更多内存和算力外还可以从数据和流程上优化自定义语音模型微调进阶Vosz支持使用自己的语音数据对现有模型进行增量训练以适应特定的口音或词汇。你需要收集一批自己的语音命令录音如“开灯”、“关灯”等制作成文本对齐的语料库。虽然过程繁琐但对于固定指令集的场景能带来显著的精度提升。K10的算力支持这种小规模的微调。音频前端处理在音频送入识别引擎前进行处理。降噪可以使用noisereduce这样的Python库进行简单的频谱门限降噪过滤掉稳定的背景噪音如空调声。增益自动控制AGC确保不同距离、不同音量下的语音振幅大致相同避免声音太小识别不了太大导致失真。PyAudio可以在读取流时设置增益参数。后处理与纠错对识别出的文本进行后处理。同义词映射将“打开”、“开启”、“开一下”都映射到“开”指令。简单纠错基于编辑距离Levenshtein distance如果识别结果与目标指令集里的某个词很接近则自动纠正。例如“登”纠正为“灯”。6.2 设计更自然的交互反馈目前的反馈只有打印日志体验很生硬。我们可以加入多模态反馈语音合成TTS使用pyttsx3或edge-tts等离线/在线库在执行命令后说“好的已打开客厅的灯”。这能极大提升交互的确认感和友好度。注意TTS比较耗CPU可以考虑在另一个线程中运行或使用更轻量的提示音。视觉反馈利用行空板自带的屏幕。唤醒时屏幕亮起并显示动画聆听时显示声波动画执行时显示对应的图标。这可以通过Pygame或tkinter库实现。灯光反馈板载的RGB LED灯也是很好的反馈通道。例如休眠时呼吸灯缓慢闪烁蓝色唤醒时变为常亮绿色识别时闪烁黄色执行成功时快速闪烁绿色失败时闪烁红色。6.3 系统稳定性与自维护保障作为需要长期运行的家庭中枢稳定性至关重要。看门狗与自动重启编写一个简单的监控脚本检查主语音程序是否在运行。如果程序崩溃自动重启它。可以用systemd服务来实现这是更专业的方法。日志记录将重要的运行日志识别结果、指令执行、错误信息写入文件方便后期排查问题。可以使用Python的logging模块。资源监控定时检查CPU、内存和温度。如果温度过高可以主动降低识别频率或暂停一些非核心任务防止硬件损坏。网络功能扩展可选虽然核心是离线但可以加入网络功能用于远程监控和更新。例如通过MQTT协议将设备状态同步到手机App或者开放一个简单的HTTP API用于远程触发命令或更新指令词列表。6.4 从单设备到全屋智能的架构演进当前项目控制一个灯。要控制多个设备架构需要升级设备抽象层定义一个统一的Device基类所有设备灯、窗帘、空调都继承它实现turn_on(),turn_off(),get_status()等方法。设备注册与管理创建一个设备管理器维护一个设备字典。指令解析后不仅要解析动作开/关还要解析设备名客厅灯/卧室灯然后从管理器中找到对应的设备对象并调用其方法。场景与联动实现“场景”功能。例如解析“我要看电影”指令后设备管理器调用“影院场景”这个场景会依次关闭主灯、打开氛围灯、降低窗帘、打开投影仪。这需要将场景逻辑预定义或可编程。走到这一步你已经不再仅仅是实现一个语音控制 demo而是在构建一个可扩展的本地智能家居核心框架了。行空板K10的性能足以支撑起这样一个轻量级的家庭自动化系统。