用户对点读笔最直接的体感,不是音质,是点了之后多久出声。
超过三百毫秒,就会觉得"这机器有点慢";超过五百毫秒,用户会再点一下——而这一下重复点击,会让本来就慢的系统更慢。
这中间到底花掉多少时间,很少有人真的去量过。这篇把它拆成四段,每段大概是什么量级,以及哪些是能省的、哪些省不掉。
一、先把这四段分开量
从"笔尖接触纸面"到"喇叭发出第一个采样",中间是四段串联:
| 段 |
干什么 |
典型量级 |
| 接触检测 |
判断笔已经贴上纸 |
十几毫秒(取决于检测方式和去抖) |
| 取图 + 解码 |
抓一帧、算出一本书一个位置 |
这段最容易失控 |
| 查表 |
位置 → 内容编号 → 存储地址 |
几毫秒 |
| 启动音频 |
打存储、填缓冲、开 PWM/功放 |
几十毫秒,取决于缓冲策略 |
这四段是串联的,所以总延迟是加起来的。 先把每一段都量出来,才知道该动哪一段——如果不分段,你只能对整个流程"优化",最后往往优化错了地方。
最省事的量法:在每一段的边界翻转一个空闲 IO,用示波器一次看完四条线。 比打日志快,也比打日志准(打日志本身就要时间)。
二、第二段为什么最容易失控
取图和解码这一段,理论上是"一帧的时间",但实际经常远不止。
原因一:一帧不够,要多帧确认。
单帧可能有误码。为了稳,方案通常会在连续几帧里做一致性判断:要么凑够两帧相同,要么做多数表决。 那么解码时间就不是一帧,是两帧或三帧。
这是延迟和准确率之间一个直接的兑换:帧数越多越稳,但也越慢。这个数是要报出来的,不能默认。
原因二:帧率不等于帧时间。
方案标称 100 帧/秒,不代表你 10 毫秒就能拿到一帧。从触发曝光到图像可用,中间还有曝光本身的时间、读出时间、传输时间。 如果曝光时间为了亮度做得很长(比如 5 毫秒),那"100 帧/秒"的实际可用帧间隔就被曝光时间限制住了。
原因三:解码是浮动的。
解码算法在图像质量好的时候快,图像差的时候要做更多尝试——而这恰恰发生在用户斜着点、或者点在书页边缘的时候。 于是延迟不是一个固定值,而是一个分布。
我的做法是统计分布的 P50 和 P95,而不是平均值。 平均值好看但 P95 很差的系统,用户会明确感觉"有时候特别慢"。而"有时候"正是投诉的来源。
三、第四段:缓冲策略直接决定延迟
这一段的设计有个很典型的分岔:先攒够再放,还是边取边放。
- 先攒够一个较大的缓冲再开始放:不容易欠载,但首字延迟就是"攒满这个缓冲的时间";缓冲越大,延迟越长;
- 攒一个最小可播的量就开播,边播边续:首字快,但对存储读取的稳定性要求高,一旦续不上就断音。
这两个目标是直接冲突的,没有两全。 唯一能做的是把缓冲设到"刚好不断音"的边界上,而这个边界取决于存储的读取速度和最坏情况下的抖动。
这里有个容易被忽略的点:第一次启动比后续段落慢。 因为要找地址、要开功放、要等电源稳定。如果产品形态是"点一下读一句",那么每一次都是第一次——你优化中间段落的收益,远不如优化这一段。
四、能省的和省不掉的
把四段都量出来之后,能做的事情就清楚了:
能省的:
- 多帧确认的帧数——如果实测误码率本来就低,可以从三帧降到两帧,直接省一帧的时间;
- 曝光时间——在照明足够的前提下缩短,能省的不只是曝光本身,还影响后面能不能"更早拿到帧";
- 首播缓冲大小——按实测最坏存储读取速度定,不要凭感觉留很大余量;
- 功放上电时序——如果功放有静音脚,提前拉起来,不要等要出声了才开。
省不掉的:
- 接触去抖——这个必须有,去掉就会误触发,误触发的代价比慢一百毫秒大得多;
- 至少一帧的曝光和读出——这是物理时间;
- 功放和电源的建立时间——器件手册上写着,你能做的是提前准备,不是压缩它。
五、一个具体的心理账
我按上面的拆法调过一次,印象最深的不是哪一段特别慢,而是四段加起来刚好卡在"用户觉得慢"的门槛上。
每一段单独看都"还行":接触 20ms、解码 90ms、查表 5ms、启动 60ms,加起来 175ms。听起来不慢。但这是理想情况下的数字,实际 P95 到 350ms——因为解码那一段在图像差的时候会翻倍。
所以调的时候,我盯的是 P95,不是平均值。 把解码的最坏情况压下来(减少多帧确认的次数、提高一次解码成功率),P95 从 350 降到 220,用户的感受变化比任何一段的平均值优化都明显。
最后一句:延迟要分段量,要按分布看。 一个平均值 175ms 的系统,可能有一半用户体验是 300ms 以上——而用户记住的***是那一次慢的。
本文为点读笔音频响应延迟的工程经验总结,涉及的分段计时、多帧确认、缓冲策略均为通用做法,具体帧率、曝光时间、缓冲深度需结合所选存储器件、功放方案和整机实测确定。文中未列出具体芯片型号。