核心用法
jetson-cuda-voice 是一套面向NVIDIA Jetson边缘设备的完整语音交互流水线，采用"唤醒词→语音活动检测→语音识别→大语言模型→语音合成"的经典架构，但针对嵌入式场景做了深度优化。
语音输入层：通过ReSpeaker USB麦克风阵列持续采集音频流（16kHz, S24_3LE格式），使用openWakeWord进行本地"Hey Jarvis"唤醒词检测（32ms低延迟分块处理）。关键创新在于零麦克风重启间隙——同一条arecord管道同时服务于唤醒检测和后续语音识别，消除传统方案中设备重新初始化导致的1-2秒延迟。
智能处理层：唤醒触发后，系统先执行480ms的环境噪声校准（动态计算房间底噪的中位数RMS），自适应调整VAD阈值。随后通过CUDA加速的whisper.cpp进行语音转文字（4秒音频约2-4秒处理），支持-l auto多语言自动检测。识别结果经HTTP发送至用户指定的OpenRouter或其他OpenAI兼容API获取LLM回复。
语音输出层：采用Piper TTS引擎离线生成语音（支持英语、希腊语等多语种音色热加载），通过ALSA设备播放。ReSpeaker 12颗LED环提供可视化状态反馈（蓝=聆听、青=思考、灭=完成、红=错误），错误时静默降级。
对话管理：维护10轮滚动历史上下文，支持自然的多轮追问；总延迟控制在5-8秒（唤醒词到首语音输出）。
显著优点
1. 真正的边缘计算：STT与TTS完全本地运行，仅LLM调用依赖网络，兼顾隐私与成本
2. 毫秒级唤醒响应：动态VAD阈值替代固定门限，适应空调、风扇等时变噪声环境
3. 硬件亲和设计：针对Jetson Xavier NX 8GB显存优化CUDA架构（sm_72），单架构编译避免多arch OOM
4. 生产级部署：systemd服务管理、日志监控、一键诊断脚本完整配套
潜在局限
- 硬件绑定较紧：ReSpeaker USB Mic Array v1.0（VID 2886:PID 0007）为最优配置，其他麦克风需手动调整格式参数
- Jetson生态限制：CMAKE_CUDA_ARCHITECTURES需按具体型号调整（Orin=87, Nano=53, TX2=62），跨平台移植需重新编译
- 显存敏感：whisper.cpp多架构默认编译会在8GB设备上OOM，必须显式指定单一架构
- USB电源管理：ReSpeaker需禁用USB autosuspend，否则2秒空闲后休眠
适合人群
- 需要在边缘场景部署语音助手的开发者（智能家居、工业控制、车载系统）
- 注重隐私、要求STT/TTS不离线的企业用户
- 已拥有NVIDIA Jetson设备（Xavier NX/Orin/Nano）的技术团队
常规风险
1. API密钥泄露：OPENROUTER_API_KEY以环境变量形式存储，需确保service文件权限（600）及shell历史清理
2. 本地服务暴露：whisper-server监听127.0.0.1:8181，虽仅限本地但需防范容器逃逸或端口转发滥用
3. 麦克风权限：ALSA设备访问依赖用户组权限，systemd服务需正确配置User=和音频组
4. 供应链安全：Piper语音模型从HuggingFace下载，建议校验SHA256或本地镜像托管