信息摘要
该芯片不生产声音，它把录好的声音压成数据存起来，收到指令后再一点点还原出去。想弄明白语音芯片怎么发声，得沿着采样、存储、解码、功率输出这条链路走一遍。规格书上那些参数，采样率、位数、输出方式、驱动能力，全是这条链路上某个环节的刻度。本文结合 WTN6、WT588F02B-8S、WT2003HX、WT3000TX、WTK6900HC、WT2606A3-42N 六款芯片的规格书参数，把语音从录音到设备喇叭的完整路径拆开讲。
一、声音要先变成数字
麦克风拾到的是连续变化的电压，单片机处理不了连续量，得先切成一片一片。每秒切多少次是采样率，每一片用几个二进制位记录是位深。
8kHz 采样率配 16 位位深，一秒钟就是 16000 个字节。这个数字很要紧，它决定了一段语音要吃掉多少存储空间，也决定了芯片内部时钟得跑多快。
WTN6 系列的音频采样率目前最高可达 32kHz。WTK6900HC 的采样率支持 8kHz、11.025kHz、16kHz、22.05kHz、24kHz、32kHz、44.1kHz、48kHz 八档。WT2606A3-42N 的 DAC 一路最高给到 96kHz。档位给得越细，工程师越能在音质和存储之间挑一个平衡点，而不必被固定在单一配置上。
二、语音存在哪里
裸 PCM 数据太占地方，量产芯片普遍要过一道压缩。ADPCM 大约能把 16 位压到 4 位，MP3 压得更狠。压完之后放哪儿，构成了 WT 系列几条产品线的分野。
WTN6 系列是 OTP 芯片，语音出厂前一次性烧进去，之后改不了。现有 WTN6020、WTN6040、WTN6080、WTN6170 四颗，语音长度分别是 20 秒、40 秒、80 秒、170 秒。语音内容已经定死、出货量大、成本要压到最低的项目走这条路最划算，代价是改一次语音就得重新投片。
WT588F02B-8S 换了思路。它是 16 位 DSP 语音芯片，内部振荡 32MHz，芯片内置 220KB 的 Flash，主控程序和 Flash 数据都可以擦除再烧写，客户拿配套下载器就能在线更换语音。较高音质时最大存放 170 秒语音，对音质没要求可以到 320 秒。音频入口的条件写得清清楚楚，WAV 格式要求采样率不超过 16kHz 且单声道，MP3 格式要求采样率不超过 24kHz。小批量试产、语音还在来回改的阶段，这颗比 OTP 省心太多。
WT2003HX 把存储挪到了芯片外面。它采用高性能 32 位处理器，最高频率可达 120MHz，本身可内置 350 秒或 900 秒语音容量，同时支持外挂最高 128Mbit 的 SPI Flash。UART 模式下 32 级音量可调，一线两线模式下 8 级。语音动辄十几分钟的项目，比如报站器、导览机、长段广告*，就得靠外挂 Flash 撑起来。
三、数字怎么变回声音
存储里是一串二进制，喇叭要的是连续电压，中间这一级转换靠输出电路完成。WT 系列走两条路。
第一条是 PWM。WTN6 系列是 12 位 PWM 纯音频输出，把音频样值编码成占空比变化的方波，靠喇叭线圈的机械惯性和外围低通把高频成分抹平，剩下的就是声音。这条路效率高、外围省，12 位 PWM 可以直接驱动 8Ω 0.5W 的喇叭和蜂鸣器，不需要额外功放。代价是高频噪声比 DAC 明显，用在提示音、报警音、操作引导这类场景绰绰有余。
WT588F02B-8S 同样以 PWM 为主，它是 16 位的 PWM 解码，也能直接驱动 8Ω 0.5W 喇叭。
第二条是 DAC。数据经数模转换器直接变成模拟电压，波形干净得多。WT2003HX 内置 16 位高精度 ADC 和 DAC，样品默认 SPK 输出，需要 DAC 输出时发一条音频输出切换指令就能切过去。WTK6900HC 是两通道 16 位 DAC，信噪比大于等于 95dB，DAC 支持直推式输出。WT2606A3-42N 给到双通道 24 位 DAC，信噪比大于等于 105dB。
位数和信噪比放在一起看意思就明确了。16 位对应理论动态范围 96dB，24 位对应 144dB。DAC 位数越高，量化引入的底噪越低，小音量播放时安静段落里的沙沙声越不容易听出来。
四、让喇叭真的响起来
DAC 出来的信号带负载能力很弱，一般只有毫安级，推不动喇叭，后面还得有一级功率放大。
部分芯片把功率级也集成进去了。WT2003HX 内置 0.5W D 类功放。WTN6 和 WT588F02B-8S 靠 PWM 直推 8Ω 0.5W 喇叭。这类方案的外围极其干净，一颗芯片加一个喇叭就能出声，BOM 上几乎没有别的音频器件，对空间紧张的小家电主控板很友好。
功率不够的场景必须外扩。WTN6 的 DAC 输出方式就是为这种场合留的，可以外接功放芯片。要带更大口径的喇叭、或者整机音量要求盖过环境噪声时，芯片内部那点驱动能力就不够看了。
这里有个容易踩的坑。WT588F02B-8S 的规格书里写明，使用 4Ω 喇叭或者并联喇叭，可能使芯片 PWM 出现 LATCH-UP 现象，导致无法播放，需要重新上电才能恢复，严重时会烧毁芯片。选喇叭时先核阻抗，别只盯功率数字。
五、动态播报方案
前面几条路径都绕不开一个前提，声音得先录好。还有两类芯片绕开了这个前提。
WT3000TX 是语音合成芯片，采用高性能 32 位处理器，最高频率可达 240MHz。主控通过 UART 把文本发过去，芯片自己分析文本，对常见的数字、号码、时间、日期、度量衡符号按内置匹配规则处理，然后合成出语音。WT3000T8 A 版本支持任意中文文本和英文字母合成，也支持中文与英文字母混读，每次合成的文本量最多 2K 字节。播放内容在运行时才确定，比如金额、温湿度、设备编号、排队叫号，这类变量型播报只能靠它。
WTK6900HC 和 WT2606A3-42N 走的是另一头，先把人声收进来识别成指令，再播报回应。WTK6900HC 用 32 位内核主频 240MHz，离线语音识别采用神经网络算法，5 米远场可靠识别，VCC 范围 2.8V 到 5.2V。WT2606A3-42N 主频 160MHz，3 米远场可靠识别，支持 MP2、MP3、WMA、APE、FLAC、AAC、M4A、WAV、OPUS 音频解码，工作电压 2.2V 到 4.5V。两颗都带语音降噪算法，能过滤稳态噪声，对动态噪声也有抑制作用。
识别类芯片的发声链路比纯播放芯片多两环，麦克风进来的模拟信号先过 ADC 转数字，处理完再经 DAC 出去。所以 ADC 的位数和信噪比在这里变得和 DAC 一样要紧，WTK6900HC 是单通道 16 位 ADC 信噪比大于等于 90dB，WT2606A3-42N 是双通道 24 位 ADC 信噪比大于等于 95dB。
六、一次完整播放发生了什么
把前面几个环节串起来，看一次 WTN6 的完整播放动作。
主控先把数据线拉低 5ms 唤醒芯片，随后发送 8 位地址码，先发低位再发高位，每一位靠高电平和低电平的时长比例来区分，推荐 200us 比 600us，允许范围落在 40us 比 120us 到 400us 比 1200us 之间，顺序上必须高电平在前低电平在后。芯片上电需要约 100ms 完成初始化，这段时间发码不响应。
地址码被解析后，芯片从内置 OTP 定位到该段语音的起始地址，按设定采样率把数据读出来，解码成音频样值送进 12 位 PWM 模块。PWM 输出的方波灌进喇叭线圈，纸盆开始振动。同一时刻 BUSY 脚从高电平翻成低电平，主控靠这个脚判断播放结束没有。播完之后 DATA 和 CLK 保持电平稳定 2 秒左右，芯片进入休眠，静态电流掉到 5uA 以下。
不同芯片的 BUSY 定义不一样。WTN6 是空闲高电平、播放中低电平，WT2003HX 反过来，平时低电平、播放时高电平，WT3000TX 也是播放时低电平。换型号时这条必须重新确认，靠旧代码里的判断逻辑直接套用会出岔子。
七、选型速查
WTN6 系列
存储 OTP，20 至 170 秒。输出 12 位 PWM 或 DAC。直推 8Ω 0.5W 喇叭。工作电压 2.4V 至 5.2V。适合提示音、小家电、门铃。
WT588F02B-8S
内置 220KB Flash，可重复烧写。输出 16 位 PWM 或 DAC。直推 8Ω 0.5W 喇叭。工作电压 2.2V 至 5.5V。适合试产迭代、语音常改。
WT2003HX
内置 350 或 900 秒，可外挂最高 128Mbit。输出 16 位 DAC，内置 0.5W D 类功放。工作电压 2.6V 至 5.0V。适合报站器、导览机、长语音。
WT3000TX
文本实时合成，可外挂最高 128Mbit。输出 DAC，需外接功放。适合金额播报、叫号、变量播报。
WTK6900HC
内置 1MB 至 4MB SPI Flash。输出两通道 16 位 DAC，支持直推式输出。工作电压 2.8V 至 5.2V。适合离线语音控制家电。
WT2606A3-42N
内置 2MB 或 4MB SPI Flash。输出双通道 24 位 DAC，信噪比大于等于 105dB。工作电压 2.2V 至 4.5V。适合高音质语音交互。
八、选型时最该先看的三件事
先把语音总时长算清楚，这一步直接筛掉一半型号。三分钟以内看 WTN6，更长的量级看 WT2003HX 外挂 Flash，内容是变量就看 WT3000TX。
再定输出方式。设备空间紧张、喇叭功率在 0.5W 以内，选带 PWM 直推或内置 D 类功放的型号，外围能省掉一颗功放。对音质有要求的，认准 24 位 DAC 和 105dB 信噪比这一档。
|
|
